基于深度学习的H分数定量化免疫组织化学染色图像

科学领域:

• 生物医学研究的研究.
• 计算病理学计算病理学
• 数字病理学数字病理学

背景情况:

• 免疫组织化学 (IHC) 对于临床诊断和研究至关重要,因为它依靠染色来表达蛋白质.
• 通过H分数量化蛋白质水平的量化传统上涉及耗时的,主观的病理学家评估.
• 胺素 (DAB) 的棕色染色表明蛋白质存在,而血素则提供蓝色的核对染色.

研究的目的:

• 开发一种自动化算法,用于精确有效地量化IHC图像的H分数.
• 为了减少与手动H分数分析相关的主观性和时间.
• 为IHC诊断工作和研究提供一个具有成本效益的工具.

主要方法:

• 一个深度学习模型被训练在血素染色上,用于准确的细胞区域识别 (0.92-0.99像素精度).
• 该算法在确定区域内对DAB染色强度进行分类 (负,弱,中等,强).
• 根据每个强度类别的百分比,H分数自动计算.

主要成果:

• 自动化算法在识别细胞区域和量化DAB染色强度方面实现了高精度.
• 它直接在几秒钟内从IHC图像中输出H分数.
• 该算法的H分数量化精度和一致性与专家病理学家的精度和一致性相美.

结论:

• 这种自动化的IHC图像分析工具显著提高了蛋白质表达量化的速度和效率.
• 它提供了一个精确,一致和成本效益高的替代手动H分数评估.
• 该算法具有很大的潜力,可以推进生物医学研究并改善IHC诊断工作流程.