Jun, 2023

采用3D Epi-模式定量相位成像和虚拟H&E染色的无标签和无玻片组织组织学

HTML
PDF
TL;DR该研究结合3D量化相位成像技术和非监督生成对抗网络管道，将未修改的厚组织的qOBM相位图像映射到类似于H＆E的vH＆E图像。这种有望显著节省肿瘤筛查、检测、治疗指导等时间、费用和人力的深度学习qOBM方法能够为组织病理学的新工作流程提供新的可能性。
发现论文，激发创造
  • 基于深度学习的自动荧光虚拟组织染色技术

    本研究使用基于深度学习的生成对抗网络模型，将未标记组织样本的自动荧光图像转化为等效于其染色样本的亮场图像，实现了一种免标记虚拟染色的显微镜图像制作方法，有效节约了组织学检查的时间和成本。

    Mar, 2018

  • PhaseStain: 使用深度学习对无标记定量相位显微镜图像进行数字染色

    使用深度学习的数字染色技术 PhaseStain 能将实验室内不需要标记的组织切片的量化相位图像转变成相当于组织经过染色的亮场显微镜图像的等效图像，以 Hematoxylin 和 Eosin，Jones' stain 和 Masson's trichrome stain 技术染色的实验室内标本数字染色，能减少化学染色的需求，降低样品制备成本和节省时间。

    Jul, 2018

  • 使用生成对抗神经网络进行前列腺活检RGB图像的计算组织染色和去染色

    该研究提出了两种新方法，使用条件生成式对抗网络进行机器学习，来实现对前列腺活检组织的计算机 H&E 染色和去染色，进而提高了组织结构等的相似性指数。

    Oct, 2018

  • 基于GAN的虚拟染色：全切片图像分析的有希望解决方案

    本文提出了一种基于条件CycleGAN网络的方法，将H＆E染色图像转换为IHC染色图像，实现同一切片的虚拟IHC染色，并展示了该方法在图像转换方面的优越性。

    Jan, 2019

  • 基于拉普拉斯金字塔的生成H&E染色增强网络

    提出使用生成对抗网络(GAN)的Generative Stain Augmentation Network(G-SAN)来消除组织切片染色不同的变异性对机器学习诊断工具的影响，并通过补充染色变异性数据，使得机器学习模型更加健壮。通过组织学图像的核分类和分割任务的结果，证明使用G-SAN的增强数据平均提高了F1得分15.7％和齐柏林物质的质量7.3％。

    May, 2023

  • StainDiffuser: 虚拟染色的多任务双扩散模型

    StainDiffuser是一种新颖的多任务双扩散架构，用于通过有限的训练预算实现虚拟染色，能同时训练细胞特异性的免疫组织化学染色和基于HE的细胞分割。

    Mar, 2024

  • 虚拟组织染色和数码病理的自主质量和幻觉评估

    自动质量和幻觉评估方法 (AQuA) 在虚拟组织染色方面实现了99.8%的准确性和98.5%的与人工评估一致性，同时具有检测虚拟组织染色幻觉图像的超人表现，并显示其在数字病理学和计算成像中的各种图像生成和转换任务方面的可靠性。

    Apr, 2024

  • 内外网单色虚拟HE染色

    介绍了一种用于虚拟染色任务的新型网络 In-and-Out Net，基于生成对抗网络（GAN），能够将表皮镜下反射共聚焦显微镜（RCM）图像高效地转化为血红素和噻唑蓝（H&E）染色图像，提供了用于虚拟染色任务的有价值的工具，推动了组织学图像分析领域的发展。

    May, 2024

  • 可扩展，可信赖的基于H&E全切片图像的虚拟多染色生成模型

    利用生成型人工智能技术进行虚拟染色的方法，通过使用一种基于H&E的编码器支持多种染色剂的解码器的设计，实现了从单张H&E切片生成8种不同染色的可扩展性，同时通过实时自检和质量检查来提高信任度和准确性，并开发了一种云端系统，方便实时用户反馈。

    Jun, 2024

  • 基于掩膜引导的对抗转移学习进行组织学虚拟染色以检测三级淋巴结构

    本研究解决了传统免疫组织化学染色方法在检测三级淋巴结构(TLSs)中的局限，提出了一种新颖的掩膜引导对抗转移学习方法，用于虚拟病理染色。研究表明，VIPA-Net显著提高了在H

    Aug, 2024