多通道特征提取用于光子吸收遥感图像的虚拟组织学染色

科学领域:

• 数字病理学数字病理学
• 组织病理学 组织病理学
• 医学中的人工智能.

背景情况:

• 传统的组织学染色是耗时且主观的,延迟了诊断.
• 数字病理学为优化组织学和减少周转时间提供了解决方案.
• 准确的染色对于组织病理学中的诊断精度至关重要.

研究的目的:

• 为虚拟组织学染色开发一种新的深度学习框架.
• 为了利用光子吸收遥感 (PARS) 图像进行无标签组织分析.
• 为了提高组织学染色用于诊断的效率和准确性.

主要方法:

• 开发了一个基于多道循环GAN模型的深度学习框架.
• 从PARS时间分辨率信号中提取特征,使用K-means变体.
• 该模型在人类皮肤和小鼠脑组织样本上进行了训练和验证.

主要成果:

• 拟议的多通道循环GAN模型实现了与黄金标准血素和色素染色的可观和定量实质性竞争.
• 与传统道相比,最佳的特征组合显著改善了组织结构标签.
• 虚拟染色结果超过了其他测试的特征组合的性能.

结论:

• 使用深度学习和PARS成像的精确虚拟染色提供了可靠的诊断信息.
• 这种无标签的方法有助于病理学家在疾病分类,分级和治疗计划中.
• 这项研究推进了无标签组织学成像,并有可能用于手术内显微镜.