Aug, 2023

组织病理学中的染色归一化的生成对抗网络

PDF
TL;DR数字病理学的快速发展为发展基于人工智能的工具改善临床诊断的准确性和效率提供了理想的机会。本文探讨了数字病理学中用于染色标准化的不同技术，重点关注利用生成对抗网络（GAN）的方法。研究者旨在找到一种有效和高效的方法来标准化病理图像，以使人工智能模型更具鲁棒性和可推广性。
digital pathologyartificial intelligencestain normalisationgenerative adversarial networkspathology images
发现论文，激发创造
  • 利用 GAN 进行神经染色风格迁移学习的组织病理学图像

    本文提出了一种基于条件生成对抗网络（GANs）的染色风格转换（SST）模型，用于学习染色风格和对应的组织病理图像，并考虑了特征保持损失，以避免肿瘤分类器在转移图像时降级，研究表明该模型基于 CAMELYON16 数据集的性能因组织病理样本的染色风格而变化。

    Oct, 2017

  • HistoStarGAN: 肾脏组织病理学中染色归一化、染色转移和染色不变分割的统一方法

    本文介绍了 HistoStarGAN，它是一种用于多种染色方式的虚拟染色方法，可以进行染色归一化和染色不变分割，并证明其具有泛化能力和生成合成图像数据的能力。同时还展示了一种基于肾脏病理图像的人工数据集制作方式，以此展示了这种方法在生物成像领域的潜在应用与风险。

    Oct, 2022

  • 领域对抗神经网络解决组织病理学图像外观差异问题

    通过对颜色进行增强和基于领域对抗训练的方法，可以改善深度学习方法的泛化能力，从而提高乳腺癌组织学图像中有丝分裂的检测效果。

    Jul, 2017

  • 深度学习在计算病理学中数据增强和染色归一化效果的量化分析

    本文研究组比较了针对组织切片染色变异的两种技术：染色色彩扩增和染色色彩规范化，并在异质性数据集上量化了它们对卷积神经网络分类性能的影响，并提出了一种使用神经网络进行无监督染色色彩规范化的新方法。

    Feb, 2019

  • 利用深度卷积特征的组织学染色上下文归一化

    本研究提供了一种用于标准化组织学染色的完全自动化、端到端基于学习的设置，该设置考虑了组织的纹理上下文，并通过结合来自长短时记忆单元的门控元素的批量归一化框架来扩展特征感知归一化。为了实现优秀的标准化结果并确保颜色和纹理的一致表示，作者将预训练的深度神经网络作为特征提取器来引导像素处理管道，并使用颜色直方图偏差、结构相似性和颜色体积等指标对不同方法进行评估。

    Aug, 2017

  • StainGAN：数字组织学图像染色风格转移

    利用深度学习方法的 CycleGANs，不需要专家选择代表性的参考标本，解决了数字化组织学诊断中由于多种因素引起的染色剂颜色变化引起的难题，并在乳腺癌肿瘤分类等临床应用中得到了验证。

    Apr, 2018

  • 组织病理图像中多个器官核分割的深度对抗训练

    利用 cGAN 训练的条件生成模型，基于合成和真实数据，实现了针对不同器官、地点、患者和疾病状态的细胞核分割，优于传统方法。

    Sep, 2018

  • 染色一致性学习：处理数字病理学分割中的染色变异

    数字病理学中的染色变异是自动化分析的一个独特挑战，本研究提出了一种新的框架，利用染色的特定增强和染色一致性损失函数来学习染色色彩不变的特征，在细胞和细胞核数据集上，与其他方法相比，该方法表现最佳。

    Nov, 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

  • 基于注意力机制的变焦生成对抗网络在不均匀医学图像转换中的应用

    我们在这篇论文中提出了一种基于注意力的变焦生成对抗网络 (AV-GAN)，它解决了病理图像翻译任务中多个问题，如不同区域的翻译困难度不均、多分辨率信息的相互干扰和核变形。实验结果表明，我们提出的 AV-GAN 在两个虚拟肾组织染色任务中优于现有图像翻译方法，并分别使 H&E-MT 和 H&E-PAS 任务的 FID 值提高了 15.9 和 4.16。

    Apr, 2024