通过随机步行滑动窗口减轻效应,在高分辨率组织学全幻灯片图像合成中
Shunxing Bao1, Ho Hin Lee2, Qi Yang2
1Electrical and Computer Engineering, Vanderbilt University, Nashville, TN, USA.
Proceedings of machine learning research
|July 12, 2024
概括
这项研究引入了一种新型的深度学习方法,用于从多重免疫光学 (MxIF) 图像中虚拟血氨酸和氨酸 (H&E) 染色,显著减少效应并改善下游细胞细分性能.
科学领域:
- 计算病理学计算病理学
- 数字病理学数字病理学
- 生物医学成像学 生物医学成像学
背景情况:
- 多重复合免疫光学 (MxIF) 允许在单个组织部分同时检测20多个分子标记物.
- 血素和欧 (H&E) 染色是组织学的标准,但通常与同一部分的MxIF不兼容.
- 使用深度学习的MxIF虚拟H&E染色面临着在整片图像 (WSI) 合成中对瓦工件的挑战.
研究的目的:
- 从MxIF WSIs开发基于深度学习的方法,用于未配对的,高分辨率的虚拟H&E WSI合成.
- 为了减轻通常在数字病理学交叉染色图像合成中遇到的效应.
- 通过同时启用H&E可视化来增强MxIF数据的实用性.
主要方法:
- 扩展了CycleGAN框架,同时使用核和粘素细分作为空间约束.
- 在推理过程中实施随机步行滑动窗口移动策略,以减少工件.
- 开发了一种将MxIF WSIs与27个标记器合成虚拟H&E WSIs的方法.
主要成果:
- 通过空间受限制的合成,在下游细胞细分任务中获得了56%的性能提升.
- 在合成的H&E WSIs中减少了效应.
- 在推断过程中,在不影响性能的情况下,计算资源使用量减少了50%.
结论:
- 拟议的空间受限制的深度学习方法有效地从MxIF数据中生成虚拟的H&E WSIs,克服了瓦文物.
- 随机步行滑动窗口推断策略为高分辨率WSI合成提供了一个高效和可通用的解决方案.
- 这种方法增强了多模式成像数据在数字病理学研究中的整合.
