合成全幻灯片图像生成与基因表达特征注入的深度生成模型
Francisco Carrillo-Perez1,2, Marija Pizurica1,3, Michael G Ozawa4
1Stanford Center for Biomedical Informatics Research (BMIR), Stanford University, School of Medicine, 1265 Welch Road, Stanford, CA 94305-547, USA.
Cell reports methods
|September 6, 2023
概括
研究人员开发了RNA-GAN,这是一种新的深度学习模型,使用基因表达数据生成现实的全幻灯片图像. 这种方法增强了组织图像生成,并显示了计算病理学中数据归算的潜力.
科学领域:
- 计算病理学计算病理学
- 生物信息学是一种生物信息学.
- 深度学习是一种深度学习.
背景情况:
- 全幻灯片图像 (WSIs) 对数字病理学至关重要.
- 与相关的基因表达数据生成现实的WSIs是具有挑战性的.
- 深度生成模型为合成数据创建提供了潜力.
研究的目的:
- 开发一种新的深度生成模型,用于合成全幻灯片图像.
- 将基因表达特征整合到图像生成过程中.
- 提高合成组织图像生成的质量和效率.
主要方法:
- 训练一个变异自编码器 (VAE) 来学习基因表达特征的潜在表示.
- 输入生成对抗网络 (GAN) 与VAE表示,以创建RNA-GAN.
- 使用RNA-GAN模型生成肺和脑皮层组织.
主要成果:
- RNA-GAN产生了合成组织,专家病理学家更喜欢传统的GAN.
- 为了生产高质量的,RNA-GAN需要更少的培训时期.
- 该模型展示了概括能力,将训练集之外的基因表达特征归因于训练集.
结论:
- RNA-GAN代表了在生成生物相关合成组织学图像方面取得的重大进展.
- 该模型集成基因表达数据的能力提高了其在计算病理学研究中的实用性.
- 在数字病理学工作流程中,RNA-GAN显示了数据增强和归算的前景.
