Dec, 2023

利用非配对生成对抗网络实现组织切片图像的可编辑染色转换

PDF
TL;DR引入了结合可解释性特征和保存结构能力的 xAI-CycleGAN 先进架构，用于将 H&E 染色的乳腺组织图像转换成类似 P63 染色的图像，并展示了其在保持结构完整性和生成高质量图像方面的有效性，验证了该模型的高质量输出。
double stainingmetaplastic breast cancerxai-cycleganh&e stained breast tissue imageshistopathologist survey
发现论文，激发创造
  • 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

  • 结构循环生成对抗网络用于结肠腺体标记物的虚拟免疫组化染色

    提出了一种将组织标本的染色信息进行生成的新型生成模型，该模型包含结构信息和注意力模块，且引入了两个与虚拟染色特异性相关的新定量度量指标。

    Aug, 2023

  • 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

  • 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

  • 基于非配对图像转换 GAN 模型的无切片 MUSE 显微镜到 H&E 组织学模态转换

    通过评估 4 个模型，我们发现 CycleGAN 工具在 MUSE 到 H＆E 转换中表现最佳，还发现 MUSE 颜色反转对于准确的模态转换可能是必要的。

    Aug, 2020

  • 无监督组织病理图像合成

    本研究提出了一种无监督学习的方法，利用生成对抗网络（GAN）生成与真实组织学图像相似的组织学图像，以提高分类 CNN 的性能，该方法不仅能在缺少监督数据的情况下有效地进行癌症诊断，而且对于含有监督数据的情况仍能表现出色。

    Dec, 2017

  • 从组织病理学图像生成细胞学图像的可行性研究

    通过使用生成模型，如 CycleGAN 和神经风格迁移，将公开可用的乳腺组织学样本转化为合成的细胞学图像，我们研究了医学影像领域中的自动化和深度学习技术的应用，通过测量 FID 和 KID 分数发现所生成的细胞学图像与真实的乳腺细胞学样本非常相似。

    Mar, 2024

  • 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

  • 辅助 CycleGAN 引导的从双工到单工 IHC 图像的任务感知域转换

    通过引入新的训练设计和利用免疫荧光图像作为辅助未配对图像域，我们提出了一种替代约束方法，实现了来自染色单型和双型免疫组化学染色的图像到相应图像域之间的转换，并在下游分割任务上定量和定性结果显示了该方法相比基准方法的优势。

    Mar, 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