基于深度学习的交叉模式翻译从斯托克斯图像到明亮场对比度

科学领域:

• 生物医学光学 生物医学光学
• 计算病理学计算病理学
• 显微镜中的深度学习.

背景情况:

• 穆勒矩阵 (MM) 显微镜提供波长以下的微观结构洞察力,但不是标准的临床实践.
• 病理学家依靠染色组织的明亮场显微镜来诊断疾病.
• 使用偏振成像进行跨模式翻译可以改善病理分析.

研究的目的:

• 开发一种深度学习技术,用于将快照斯托克斯图像转化为明亮场显微镜对比.
• 为了从偏振数据中启用明亮场可视化,而不需要MM图像.
• 创建一种对光源和样品的变化具有稳健性的方法.

主要方法:

• 利用CycleGAN,一个深度学习模型,用于图像翻译,消除了对共同注册的训练图像对的需求.
• 采用了斯托克斯图像作为翻译模型的输入.
• 将该方法应用于肝脏,乳腺和肺组织的染色病理组织幻灯片.

主要成果:

• 从不同染色风格的斯托克斯图像中成功生成明亮场等效图像.
• 证明了该方法在各种组织类型 (肝脏,乳腺,肺) 和染色协议 (H&E,TTF-1,Ki-67) 上的有效性.
• 使用四种标准评估方法评估输出图像质量.

结论:

• 快速获取且独立于光强度和注册的Stokes图像可以有效地转换为明亮场景图像.
• 拟议的计算技术增强了极化成像用于病理诊断的实用性.
• 这种方法为分析组织微观结构提供了稳定高效的替代方案.