May, 2024

内外网单色虚拟HE染色

HTML
PDF
TL;DR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。
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

  • 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

  • 使用生成对抗神经网络进行前列腺活检RGB图像的计算组织染色和去染色

    该研究提出了两种新方法，使用条件生成式对抗网络进行机器学习，来实现对前列腺活检组织的计算机 H&E 染色和去染色，进而提高了组织结构等的相似性指数。

    Oct, 2018

  • 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

  • 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

  • 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

  • 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

  • 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

  • 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

  • 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