Mar, 2024

借助 IHC 转 IF 染色领域翻译实现基于计算数据生成的 ReStainGAN

PDF
TL;DR通过将形态学特定的免疫组织化学染色分解成免疫荧光（IF）图像中的分离图像通道，我们提出了一种新颖的方法来生成模拟免疫组织化学（IHC）图像，该方法在定性和定量上优于基准方法，并通过在创建的模拟数据集上训练细胞核分割模型得到证明。
in-silico datasetsannotationscomputational pathologyimmunohistochemistrynucleus segmentation models
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

  • 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

  • 乳腺癌免疫组织化学图像生成：基准数据集和挑战评估

    本文介绍了乳腺癌免疫组化图像生成挑战赛，旨在探索深度学习技术在病理图像生成领域的新思路并促进研究。我们进一步分析了该领域的当前限制并预测了未来的发展。发放的数据集和挑战将希望能激发更多学者共同研究更高质量的免疫组化染色图像的生成。

    May, 2023

  • 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

  • 一份 AI 准备的多重染色数据集，用于肿瘤免疫微环境的可重现和准确表征

    本文介绍了一个新的计算病理学数据集，其中包含八名头颈鳞癌患者的重新染色和共注册数字化图像。该数据集展示了两种染色方法的等效性，为深度学习方法提供了客观的免疫和肿瘤细胞注释，并可用于肿瘤免疫微环境的更可重复和准确的表征。

    May, 2023

  • 跨领域对比学习用于无配对的 H&E 到 IHC 染色转换

    通过提出混合域对比学习（MDCL）方法，在未配对的 H&E 到 IHC 染色转换中利用不同领域的病理信息聚合，提高相应补丁之间的病理一致性和生成的 IHC 图像不同位置的补丁的不一致性组件，取得了多个度量标准下的最先进性能。

    Jun, 2024

  • 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

  • DeepLIIF：临床病理幻灯片定量分析在线平台

    DeepLIIF 是一种基于多重免疫荧光染色技术的在线平台，可用于有效且可再现地对组织切片进行 IHC 评分，并自动完成 GPU 资源的规模调整。

    Apr, 2022

  • 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