Jun, 2024

跨领域对比学习用于无配对的 H&E 到 IHC 染色转换

PDF
TL;DR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。
h&e-to-ihc stain translationcancer diagnosislow-resource regionsmix-domain contrastive learningpathological consistency
发现论文，激发创造
  • AGMDT：基于邻域引导的多领域迁移的肾组织学图像虚拟染色

    我们提出了一种新颖的虚拟染色框架 AGMDT，通过避免像素级对齐并同时利用多个相邻组织切片之间的相关性，将图像转化为其他领域。实验证明，该方法在精确的像素级对齐和无配对领域转化之间取得了良好的平衡，并在定量测量和形态细节方面优于现有方法。

    Sep, 2023

  • CLASSMix：基于自适应染色分离的对比学习与伪标签在组织病理图像分类中的应用

    本研究提出了一种新的半监督分类模型，命名为 Contrastive Learning with Adaptive Stain Separation and MixUp (CLASSMix)，该模型是基于适应性染色分离的苏木精和伊红染色图像的对比学习和混合学习的组合，经在肾细胞癌数据集上的对比分析，证明了该模型在两个数据集上的优越性能。

    Dec, 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

  • 辅助 CycleGAN 引导的从双工到单工 IHC 图像的任务感知域转换

    通过引入新的训练设计和利用免疫荧光图像作为辅助未配对图像域，我们提出了一种替代约束方法，实现了来自染色单型和双型免疫组化学染色的图像到相应图像域之间的转换，并在下游分割任务上定量和定性结果显示了该方法相比基准方法的优势。

    Mar, 2024

  • 借助 IHC 转 IF 染色领域翻译实现基于计算数据生成的 ReStainGAN

    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

  • IHC 在 H&E 整片图像分析中的应用：通过两阶段多模态双线性汇聚融合提高癌症分级

    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

  • 领域适应学习：改进损失函数组合的组织学图像无监督适应

    这篇论文提出了一种针对 H&E 染色组织学图像的无监督领域自适应 (UDA) 的新方法，通过利用组织结构和细胞形态等组织学特征来提高领域适应性能。该方法在准确性、鲁棒性和泛化性方面经过了广泛评估，并且在 FHIST 数据集上的实验结果表明，我们提出的方法 (Domain Adaptive Learning，DAL) 明显超过了基于 ViT 和 CNN 的最先进方法分别有 1.41% 和 6.56% 的提升。

    Sep, 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

  • 不充足注释下的多域学习

    本文介绍了一种名为多领域对比学习（MDCL）的新方法，以减轻不充分注释对传统 MDL 方法的影响，该方法旨在捕获来自标记和未标记数据的语义和结构信息，通过在不同领域的共享和私有空间中分别对其进行处理。实验结果表明，MDCL 相对于各种共享 - 私有模型（SP models）都带来了明显的改进，而且还能在多领域主动学习中得到进一步应用，以获得更好的总体性能。

    May, 2023

  • 边际对比对应法引导图像生成

    该研究使用边缘对比学习网络（MCL-Net）进行基于样例的图像翻译，设计创新的边缘对比损失的辅助信息自相关图（SCM）来指导建立密集的对应关系。实验结果表明，该方法在多样化的图像翻译任务中优于现有技术。

    Apr, 2022