Mar, 2024

HEMIT: H&E 转多重免疫组化图像翻译的双分支 Pix2pix 生成器

PDF
TL;DR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。
multiplexed immunofluorescence histology datatumour micro-environmenthemit datasetcellular-level alignedstain translation tasks
发现论文，激发创造
  • StainDiffuser: 虚拟染色的多任务双扩散模型

    StainDiffuser 是一种新颖的多任务双扩散架构，用于通过有限的训练预算实现虚拟染色，能同时训练细胞特异性的免疫组织化学染色和基于 HE 的细胞分割。

    Mar, 2024

  • H&E 切片和多重免疫荧光图像之间的多模态病理图像搜索

    该研究提出了一种在 VAE 潜在空间中使用动态时间扭曲 (DTW) 进行多模式病理图像搜索的方法，并将其馈送到排名选择投票方案中，以检索与查询 H&E 幻灯片最相似的多重免疫荧光成像 (mIF)。通过训练 VAE 和应用 DTW，我们对齐并比较 mIF 和 H&E 幻灯片，从而融合了形态学 H&E 数据和来自 mIF 的免疫表型，从而提供了丰富的疾病状态视角，可能 彻底改变诊断过程，提高精度并实现个性化治疗选择的能力。

    Jun, 2023

  • 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

  • BCI：金字塔 Pix2pix 生成乳腺癌免疫组织化学图像

    提出了一种乳腺癌免疫组化标准，能够通过 HE 染色图像的合成直接综合 IHC 数据，可用于 HER2 表达评估的病理研究。

    Apr, 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

  • 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

  • 免疫组织化学生物标志物引导的组织病理学图像检索

    本研究提出了一种有针对性的图像搜索方法来改善肿瘤检测和癌症诊断。通过多种免疫组化染色技术，将图像合并生成复合标记物图像，并利用深度学习技术实现对癌变或异常组织信息的高效筛查，从而提高了搜索引擎的精确度。

    Apr, 2023

  • 通过双模式对比学习从 H&E 组织学图像中空间预测基因表达

    该研究提出一种生物模态嵌入框架 Bi-modaL Embedding for Expression Prediction (BLEEP)，可以生成整张组织学图像中的基因表达文件，以此代替传统的时间与金钱代价高昂的基因表达分析方式进行医学诊断和研究。

    Jun, 2023

  • 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