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
通过将形态学特定的免疫组织化学染色分解成免疫荧光（IF）图像中的分离图像通道，我们提出了一种新颖的方法来生成模拟免疫组织化学（IHC）图像，该方法在定性和定量上优于基准方法，并通过在创建的模拟数据集上训练细胞核分割模型得到证明。
Mar, 2024
通过将免疫组化数据与H&E染色图像相结合，将其纳入机器学习模型中，可以提高癌症分级的预测结果。提出的框架在公共数据集BCI上取得了令人印象深刻的0.953的高准确率。
May, 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
本研究解决了在乳腺癌中从H
Aug, 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
本研究解决了H
Sep, 2024
本研究解决了现有虚拟全幻灯片图像生成方法在瓦片边界存在内容、纹理和颜色不一致的问题，这可能影响临床评估的准确性。提出的CC-WSI-Net网络利用GAN模型，集成一致性监督机制，确保生成的合成全幻灯片图像在各个瓦片之间无缝且一致。研究结果显示，该方法提升了图像质量，并为今后虚拟染色技术在研究和临床护理中的广泛应用铺平了道路。
Oct, 2024
本研究探讨了先进的组织病理学基础模型在多染色自身免疫免疫组化数据集上的泛化能力。研究表明，尽管在肿瘤病理学上表现良好，这些模型在处理自身免疫性疾病时的有效性和重要性却存在问题，揭示了从癌症到自身免疫组织病理学知识转移的挑战。该研究强调了在不同组织病理学任务中仔细评估AI模型的重要性。
本研究针对由于医院间染色和数字化协议差异导致的组织病理影像领域转移问题，提出了一种新的领域适应方法，旨在提高模型的通用性。通过在监督对比学习中引入训练约束，该方法显著改善了类间可分离性，实验结果表明，在进行六种皮肤癌亚型的全切片图像分类时，应用该方法的性能优于不进行领域适应的传统方法。
Dec, 2024