内外网单色虚拟 HE 染色
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
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
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
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
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
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
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
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
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