Mar, 2024

利用自荧光显微镜与深度学习在无标记组织中进行虚拟双折射成像和组织染色研究淀粉沉积物

PDF
TL;DR通过使用训练有素的神经网络，我们首次展示了对无标签人体组织的虚拟双折射成像和虚拟刚果红染色，快速地将自发荧光图像转化为同一样本的亮场显微镜和偏振光显微镜等效图像，与同一样本的组织化学染色版本相匹配。我们的方法在心脏组织上进行了实验证实和病理学家评估，虚拟染色的结果与组织化学染色的真实图像吻合，强调了淀粉样物质的双折射模式，从而减少了临床工作流程中与化学染色和手动成像过程质量变异相关的诊断挑战。
systemic amyloidosiscongo red stainvirtual birefringence imaginglabel-free tissuepathologist evaluations
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

  • 无标记尸检组织的虚拟组织学染色

    通过虚拟染色技术，我们报告了尸检组织的首次实证，并展示了经过训练的神经网络可以快速将无标记尸检组织切片的自动荧光图像转化为与相同样品的苏木精和伊红 (HE) 染色版本相匹配的亮场等效图像，消除了传统组织化学染色中固有的由于尸体组织延迟固定引起的严重染色伪影，使其可以在新的经历严重自溶的尸检组织样品中有效地强调细胞核、细胞质和细胞外特征，该技术还可应用于坏死组织，能够快速且具有低成本地生成无伪影的 HE 染色，同时减少了与标准组织化学染色相关的劳动、成本和基础设施需求。

    Aug, 2023

  • 多模态 MRI 基于的阿尔茨海默病相关淀粉样蛋白状态的检测

    通过结构、功能和扩散性 MRI 数据的多模态集成信息，可以准确判别 Aβ 血型在阿尔茨海默病连续性中的状态，为该领域的进一步研究铺平了道路。

    Jun, 2024

  • 使用光子吸收遥感显微术进行无标记组织学的自动全层扫描成像

    利用第一代透射式光子吸收遥感显微镜的标签自由组织学平台，以及 pix2pix 实验，全面提高了组织学诊断的效率和疾病诊断的准确性，同时允许光学方法（标签自由的）与传统染色工艺进行对比，应用广泛。

    Apr, 2023

  • 基于条件生成对抗网络的结构性 MRI 三维淀粉样蛋白质 PET 合成

    开发一种 3D 图像转换模型，能够从 T1 加权 MRI 合成淀粉样蛋白 PET 图像，通过模型训练和验证，证明了从结构性 MRI 图像中合成淀粉样蛋白 PET 图像的可行性，大大提高了大型队列研究和早期痴呆症检测的可访问性，同时降低成本、侵入性和辐射暴露。

    May, 2024

  • 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

  • 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

  • 基于 3D CNN 的 sMRI 和 MD-DTI 图像分类，用于阿尔茨海默病研究

    本文研究了自动分类方法的主要趋势，探讨了卷积神经网络和 MRI 在海马区 ROI 上融合的痴呆症诊断算法，以及通过数据增强来平衡不同大小的类别对分类结果的影响。

    Jan, 2018

  • 发光献艺：巴那科罗染色改进基于人工智能的细胞学口腔癌检测

    结合多模态成像和深度融合的方法，该研究旨在提高基于人工智能的口腔癌检测的准确性，通过亚甲基蓝染色液基细胞学刷片的亮场和荧光显微镜成像分析，证实荧光成像提供了重要的诊断信息，并且多模态融合方法提高了单模态方法的分类和癌症检测准确性，其中 Co-Attention Fusion Network（CAFNet）模型在测试中表现优秀，F1 分数达到 83.34％，准确率为 91.79％，超越了人类的表现，进一步测试显示对图像配准的精确性优化有助于优化多模态分析的效果，这项研究通过结合深度学习和多模态成像推动了细胞病理学的发展，提高了口腔癌的早期非侵入性检测的准确性，改进了诊断精度和临床工作流程，并且该研究开发的流程也适用于其他细胞学领域。

    Jul, 2024

  • 通过反事实推断识别 Amyloid-beta 积累与阿尔茨海默病进展之间的因果关系

    本文介绍了使用图卷积神经网络的图变系数神经网络 (GVCNet) 来估计连续治疗水平下的个体治疗效果，并强调因果推断方法包括 GVCNet 可用于衡量淀粉样 β 的沉积和 AD 病理生理学之间的区域性因果关系，这可能会成为早期诊断和定制护理的强有力工具。

    Jul, 2023