Aug, 2024

基于掩膜引导的对抗转移学习进行组织学虚拟染色以检测三级淋巴结构

HTML
PDF
TL;DR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
发现论文，激发创造
  • 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

  • 免疫组织化学生物标志物引导的组织病理学图像检索

    本研究提出了一种有针对性的图像搜索方法来改善肿瘤检测和癌症诊断。通过多种免疫组化染色技术，将图像合并生成复合标记物图像，并利用深度学习技术实现对癌变或异常组织信息的高效筛查，从而提高了搜索引擎的精确度。

    Apr, 2023

  • 乳腺癌免疫组织化学图像生成：基准数据集和挑战评估

    本文介绍了乳腺癌免疫组化图像生成挑战赛，旨在探索深度学习技术在病理图像生成领域的新思路并促进研究。我们进一步分析了该领域的当前限制并预测了未来的发展。发放的数据集和挑战将希望能激发更多学者共同研究更高质量的免疫组化染色图像的生成。

    May, 2023

  • 结构循环生成对抗网络用于结肠腺体标记物的虚拟免疫组化染色

    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

  • 组织学图像中与癌相关的淋巴细胞聚集的指南: 手动和基于深度学习的定量方法

    使用深度学习算法HookNet-TLS对组织样本中的淋巴聚集及生发中心进行自动化与客观化定量，提供了使用人工标记图像训练和实施该算法的指南。

    Mar, 2024

  • 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

  • 内外网单色虚拟HE染色

    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

  • H&E转IHC虚拟染色的病理学语义保留学习

    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

  • 推进乳腺癌中的H

    本研究解决了在乳腺癌中从H

    Aug, 2024

  • 生成无缝虚拟免疫组化全幻灯片图像的内容和颜色一致性

    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