相关实验视频
Updated: Jun 28, 2025

06:45
Histological-Based Stainings Using Free-Floating Tissue Sections
Published on: August 25, 2020
18.7K
使用机器学习进行无化学物质的组织组织染色.
Julie A Renner1, Patrick C Riley1
1US Army DEVCOM Chemical Biological Center, Aberdeen Proving Ground, MD, USA.
Journal of histotechnology
|April 22, 2024
概括
人工智能,特别是CycleGAN,可以在没有配对数据的情况下几乎染色未染色的组织图像. 该方法为数字病理学中危险和昂贵的化学染色提供了一个有希望的替代方案.
科学领域:
- 数字病理学数字病理学
- 计算机成像成像技术
- 医学中的人工智能
背景情况:
- 传统的血素和素 (H&E) 染色是危险的,昂贵的和变化的.
- 人工智能 (AI) 和机器学习 (ML),包括生成对抗网络 (GAN),提供虚拟染色解决方案.
- 现有的GAN如DCGAN和CGAN通常需要注册,配对的图像,这些图像很难获得.
研究的目的:
- 应用无监督的CycleGAN pix2pix模型进行虚拟的H&E染色.
- 从未配对的,未染色的明亮场图像中生成病理学家批准的数字染色图像.
- 为了克服现有的虚拟染色方法中对照图像要求的局限性.
主要方法:
- 使用了一个无监督的CycleGAN pix2pix模型与u-net架构.
- 在未配对,未染色的明亮场和化学染色的甲固定嵌入肝脏样本图像上训练模型.
- 实现了循环一致的损失来处理未配对的图像数据集.
主要成果:
- 从未染色的明亮场图像中成功生成数字"染色"图像.
- 证明了使用CycleGAN与未配对数据用于虚拟H&E染色的可行性.
- 这代表了这种架构对未配对的明亮场图像的首次记录应用.
结论:
- 无监督的CycleGAN为传统的H&E染色提供了一个可行的替代方案.
- 这种方法消除了对危险化学品和配对图像数据集的需求.
- 讨论了进一步的研究和建议的改进,以优化虚拟染色技术.

