基于自我监督的代周期一致的对抗网络的无标签淋巴细胞的定量相成像的虚拟染色方法.
Lu Zhang1, Shengjie Li1, Huijun Wang1
1School of Instrument Science and Technology, Xi'an Jiaotong University, Xi'an, Shaanxi 710049, China.
The Review of scientific instruments
|April 1, 2024
概括
定量相成像 (QPI) 现在为无标签的淋巴细胞提供虚拟染色,模仿临床标准. 这种人工智能驱动的方法精确地复制了3D QPI数据中的染色细胞特征,帮助诊断.
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
- 医学中的人工智能
背景情况:
- 定量相成像 (QPI) 提供无标签的3D细胞形态,但缺乏传统染色病理幻灯片的视觉特征.
- 临床诊断依赖于染色细胞的二维颜色特征,为QPI采用提供了一个空白.
- 获得对齐的QPI和完全相同的活细胞的染色图像是具有挑战性的.
研究的目的:
- 使用QPI数据开发一种虚拟染色方法,用于无标签的淋巴细胞.
- 为了弥合QPI的3D结构信息和临床诊断所需的2D颜色特征之间的差距.
- 为了能够准确地对淋巴细胞进行病理评估,而不需要传统的染色.
主要方法:
- 采用了一个自我监督的代循环一致对抗网络 (CycleGAN) 深度学习模型.
- 来自QPI的3D相位信息被用来训练CycleGAN生成2D虚拟染色图像.
- 代方法提供了一个训练有素的染色结果作为错误评估的基本真理,克服了对数据的缺乏.
主要成果:
- 与临床黄金标准相比,虚拟染色方法在8756个淋巴细胞中实现了0.86的结构相似度指数.
- 2D虚拟染色淋巴细胞的面积误差低于3.59%.
- 核与细胞质比率 (2.69%) 和颜色偏差 (<6.67%) 的平均误差显示出对染色细胞特征的高保真性.
结论:
- 拟议的基于CycleGAN的虚拟染色方法有效地将3D QPI数据转化为临床相关的2D染色样图像.
- 这种技术允许对淋巴细胞进行无标签的病理分析,满足诊断要求,无需细胞固定或染色.
- 结构相似性和特征比率的高精度验证了虚拟染色在常规诊断中的潜力.
