基于深度学习的虚拟H&E染色从无标签的自发光终身图像.
Qiang Wang1,2, Ahsan R Akram1,2, David A Dorward1,3
1Centre for Inflammation Research, Institute of Regeneration and Repair, The University of Edinburgh, Edinburgh, UK.
Npj imaging
|July 1, 2024
概括
这项研究引入了一种深度学习方法,从无标签的光终身成像显微镜 (FLIM) 数据中创建虚拟的H&E染色. 这使得癌症研究的未染色组织中能够快速,准确地识别细胞类型.
科学领域:
- 生物医学成像技术 生物医学成像技术
- 计算生物学 计算生物学
- 组织病理学 组织病理学
背景情况:
- 无标签的自光终身成像显微镜 (FLIM) 提供了丰富的生物信息.
- 目前的FLIM分析缺乏快速,准确的解释,没有组织学参考.
- 联合注册FLIM和组织学图像是复杂的,并且往往无法使用.
研究的目的:
- 开发一种深度学习 (DL) 方法,从FLIM图像中生成虚拟的血素和乙素 (H&E) 染色.
- 为了实现准确的,实时的细胞水平解读未染色的生物样本.
- 使用FLIM促进无生物标志物组织组织学.
主要方法:
- 使用深度学习模型与图像质量指标相结合.
- 从没有标签的FLIM数据生成虚拟的H&E图像.
- 使用终身信息与仅强度图像进行比较的重建.
主要成果:
- 从无标签的FLIM图像中实现了临床级的虚拟H&E染色.
- 证明,与仅强度相比,终身信息可以提高虚拟染色精度.
- 成功识别了七种常见瘤微环境细胞类型的独特生命周期特征.
结论:
- 基于DL的虚拟H&E染色方法可以立即准确地解释FLIM图像.
- 这种方法克服了对共同注册组织学的需求,简化了分析.
- 使用FLIM在各种癌症类型中开辟了无生物标志物组织组织学的新途径.
