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

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

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

通过采用基于条件潜在扩散的新型架构，以样式转移任务的方式处理了镜像污染问题，并建立了迄今为止最大的超过200万组织学图像数据集SPI-2M，并使用神经样式转移进行高质量转换，从而在归一化图像的质量方面胜过了现有的GAN和手工方法。此外，作为考验时间增强方法应用于具有挑战性的CoNIC数据集的核实例分割和分类模型，与现有方法相比，它改进了性能。最后，在多千兆像素全尺寸图像（Whole Slide Images，WSIs）上应用了StainFuser，并展示了相对于现有方法，它在计算效率、图像质量和图块之间的一致性方面的改进。

Mar, 2024

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

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

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。

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