条件生成对抗网络 (cGAN) 用于从高光谱图像中合成数字组织学图像
Ling Ma1,2, Jeremy Sherey1,2, Doreen Palsgrove3
1Center for Imaging and Surgical Innovation, University of Texas at Dallas, Richardson, TX.
概括
来自H&E染色幻灯片的高光谱成像 (HSI) 数据使用cGAN被转换为自然颜色的RGB图像. 这种方法增强了可视化,提高了组织分类的准确性,为组织病理学诊断提供了可行的替代方案.
科学领域:
- 数字病理学数字病理学
- 计算机成像成像技术
- 组织病理学 组织病理学
背景情况:
- 超光谱成像 (HSI) 提供了丰富的数据,但受到高维度的影响,阻碍了数字病理学中的可视化.
- 目前的方法努力平衡HSI的数据密度与RGB图像的直观可视化.
研究的目的:
- 开发一种方法,将H&E染色幻灯片的HSI转换为自然颜色的RGB组织图像.
- 为了使病理学家能够更容易地可视化超光谱数据.
- 评估生成的RGB图像对组织病理学诊断的有用性.
主要方法:
- 在40倍放大度获得的HSI数据,并进行了降低样本.
- 条件生成对抗网络 (cGAN) 接受了训练,可以从HSI中合成RGB图像.
- 从高分辨率数字组织学图像中获得的基准真实RGB图像.
- 图像分类使用现实和合成RGB图像与预训练网络进行.
主要成果:
- 生成的合成RGB图像显示的颜色和清晰度与真正的RGB图像相似.
- 使用HSI合成的RGBs的组织分类准确度和AUC略高于使用真正的RGBs.
- 该方法通过将HSI数据密度与RGB可视化质量相结合来减少采集时间.
结论:
- 拟议的基于cGAN的转换方便了数字病理学中的HSI数据可视化.
- 与传统的RGB成像相比,HSI合成的RGB显示了改善组织病理学诊断的潜力.
- 这种方法使得HSI成为常规组织病理学评估的更容易获得和可行的工具.
