Jun, 2023

H&E 切片和多重免疫荧光图像之间的多模态病理图像搜索

PDF
TL;DR该研究提出了一种在 VAE 潜在空间中使用动态时间扭曲 (DTW) 进行多模式病理图像搜索的方法，并将其馈送到排名选择投票方案中，以检索与查询 H&E 幻灯片最相似的多重免疫荧光成像 (mIF)。通过训练 VAE 和应用 DTW，我们对齐并比较 mIF 和 H&E 幻灯片，从而融合了形态学 H&E 数据和来自 mIF 的免疫表型，从而提供了丰富的疾病状态视角，可能 彻底改变诊断过程，提高精度并实现个性化治疗选择的能力。
multimodal pathology image searchdynamic time warpingvariational autoencoderimmunophenotypingspatial relationships
发现论文，激发创造
  • 多重免疫荧光图像中的细胞特征提取的半监督变分自编码器

    使用变分自动编码器进行监督学习的深度学习细胞特征提取模型，用于从多重免疫荧光细胞图像中提取细胞特征，并通过对乳腺癌患者的 1,093 个组织微阵列核心中提取的超过 44,000 个多重免疫荧光细胞图像块进行细胞表型分类来验证其成功。

    Jun, 2024

  • 免疫组织化学生物标志物引导的组织病理学图像检索

    本研究提出了一种有针对性的图像搜索方法来改善肿瘤检测和癌症诊断。通过多种免疫组化染色技术，将图像合并生成复合标记物图像，并利用深度学习技术实现对癌变或异常组织信息的高效筛查，从而提高了搜索引擎的精确度。

    Apr, 2023

  • 基于弱监督学习的病理切片整体分类

    该研究提出了一种基于病理先验的多实例学习框架，通过数据增强方法和空间相关性分析，能够有效地用于癌症检测和亚型区分的医学图像分类任务。

    Jul, 2023

  • PathoDuet：H&E 和 IHC 染色病理切片分析的基础模型

    基于组织病理学图像的自监督学习方法，构建了预训练模型以应用于多种下游任务，并提出了新的预训练任务，通过跨尺度定位和跨染色转移，有效提高模型性能，证实了这些模型的优越性。

    Dec, 2023

  • 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

  • HEMIT: H&E 转多重免疫组化图像翻译的双分支 Pix2pix 生成器

    该论文介绍了 HEMIT 数据集，它是第一个公开提供细胞级对齐的数据集，可用于将 HE 和 mIHC 图像进行转换，论文还提出了一种新的双分支生成器架构，使用残差卷积神经网络和 Swin Transformer，取得了优于其他流行算法的结果，在关键指标上表现出最高的得分，标志着染色转化任务领域的新标杆。

    Mar, 2024

  • 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

  • 利用预训练模型进行 FF 到 FFPE 组织病理图像翻译

    使用预训练扩散模型的 Diffusion-FFPE 方法，能够将 FF 图像转化为 FFPE 样式，从而改善用于诊断目的的图像质量。

    Jun, 2024

  • 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

    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。

    Jun, 2023

  • IHC 在 H&E 整片图像分析中的应用：通过两阶段多模态双线性汇聚融合提高癌症分级

    通过将免疫组化数据与 H&E 染色图像相结合，将其纳入机器学习模型中，可以提高癌症分级的预测结果。提出的框架在公共数据集 BCI 上取得了令人印象深刻的 0.953 的高准确率。

    May, 2024