Jun, 2024

EpidermaQuant：基于 H-DAB 染色的重建人表皮图像的无监督表皮分化标志物的检测与定量

PDF
TL;DR通过组织学分析和免疫组织化学染色的角化细胞分化标记物，可以评估体外重建的人类表皮的完整性。使用计算机分析扫描组织可节省专家时间，消除评价者之间的可靠性问题，从而提高定量方法的准确性。通过开发一种无监督方法，我们检测和定量了免疫组织化学染色，实现了自动旋转图像，找到人类表皮分化标记物并排除不具有染色区域的图像，这些方法将增强对重建人类表皮样本中蛋白标记的定量分析性能，并使得在不同实验条件下它们的空间分布得以比较。
发现论文，激发创造
  • 使用深度学习在带有免疫组化参考标准的 H&E 染色前列腺标本中进行上皮分割

    本文提出了一种基于免疫组织化学和深度学习的数字化前列腺切除切片上细胞分割的新方法，通过该方法可以较为精确地区分上皮组织和其他组织，并对其进行细胞级分割，从而实现对前列腺癌的自动检测和分级。

    Aug, 2018

  • 基于深度学习的数字乳腺癌免疫组织化学图像精确自动化量化的实例分割

    使用基于深度学习的实例分割体系结构的自动量化方法，成功地将细胞核和膜生物标记物应用于免疫组化染色的胸部肿瘤图像，并集成到开发的网络平台中，作为病理学家的决策支持工具。

    Nov, 2023

  • 免疫组化指导下的乳腺癌切片中良性上皮细胞、原位病变及浸润上皮细胞的分割

    利用人工智能的数字病理学可以自动分析组织病理切片，自动评估可以提高诊断效率并帮助找出形态特征与临床结果之间的关联。本研究旨在开发一个用于乳腺癌切片上上皮细胞分割的人工智能模型，利用卷积神经网络进行训练，并通过数据增强提高模型的鲁棒性。

    Nov, 2023

  • 全自动基于深度学习的免疫组织化学报告算法的开发与验证

    使用基于深度学习的半监督训练的全自动决策支持系统 (DSS)，对浸润性导管癌进行免疫组化评分，从而提高免疫组化评分的准确性和治疗决策，特别是在专家不可用的情况下。

    Jun, 2024

  • 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

  • 虚拟组织染色和数码病理的自主质量和幻觉评估

    自动质量和幻觉评估方法 (AQuA) 在虚拟组织染色方面实现了 99.8% 的准确性和 98.5% 的与人工评估一致性，同时具有检测虚拟组织染色幻觉图像的超人表现，并显示其在数字病理学和计算成像中的各种图像生成和转换任务方面的可靠性。

    Apr, 2024

  • 通过聚类神经网络输出进行自动皮肤镜模式发现的人机交互

    通过自动的无监督聚类，可以从大型图像数据集中提取具有诊断相关性且可人工解释的视觉模式群集。

    Sep, 2023

  • 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

  • 评估基于深度学习的黑色素瘤分类研究：免疫组织化学和常规组织学的三中心研究

    通过研究利用 MelanA 和 H&E 染色组织切片的深度学习支持系统，我们发现 MelanA 分类器与基准 H&E 分类器表现相似，可以通过多染色分类进一步提高性能，为病理学家的临床工作提供帮助。

    Sep, 2023

  • 组织横截面和笔记标记的图像分割

    我们开发了一个基于卷积神经网络的组织和笔迹分割模型，通过对 200 张 H&E 染色 WSI 数据集的训练，在组织分割和笔迹分割方面取得了较高的准确性。我们还提出了一种基于聚类的后处理方法，用于分离交叉部分，并证明该方法对于常见的玻片和扫描伪影具有鲁棒性。我们将经过训练的模型参数和后处理方法以 SlideSegmenter 的 Python 软件包公开发布。

    Jan, 2024