StainDiffuser: 虚拟染色的多任务双扩散模型
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
本研究应用有监督学习的计算机染色转换技术，将经典的血红蛋白与嗜酸性染色（H&E）转换为肾脏穿刺活组织检测中的不同特殊染色，从而改善了多种非肿瘤性肾脏疾病的初步诊断质量，并减少了医疗系统和患者的时间和成本负担。
Aug, 2020
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
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
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
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
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
路径学语义保持学习方法 (PSPStain) 提出了两种新颖的学习策略：1) 以蛋白质感知为中心学习的策略（PALS），通过焦点光密度（FOD）图维持蛋白质表达水平的一致性，即代表分子级语义信息；2) 原型一致学习策略（PCLS），通过原型一致性学习增强图像间的语义互动。PSPStain 在两个公共数据集上评估了其性能，使用了五个指标：三个与临床相关的指标和两个与图像质量相关的指标。大量实验证明，PSPStain 胜过当前最先进的 H&E-to-IHC 虚拟染色方法，并展示了真实和虚拟染色分期之间的高度病理学相关性。
Jul, 2024
本研究解决了传统免疫组织化学染色方法在检测三级淋巴结构(TLSs)中的局限，提出了一种新颖的掩膜引导对抗转移学习方法，用于虚拟病理染色。研究表明，VIPA-Net显著提高了在H
Aug, 2024