深度学习用于从超光谱图像中快速虚拟H&E染色无标签质瘤组织
Ruohua Zhu1, Haiyang He1, Yuzhe Chen1
1National Engineering Research Center of Ophthalmology and Optometry, School of Biomedical Engineering, Eye Hospital, Wenzhou Medical University, Xueyuan Road 270, Wenzhou, 325027, China.
Computers in biology and medicine
|August 2, 2024
概括
这项研究引入了一种新的方法,将深度学习和高光谱成像结合起来,创建虚拟的血素和素 (H&E) 染色图像,加速结质瘤诊断. 该技术为组织学分析提供了比传统的H&E染色更快,更有效的替代方案.
科学领域:
- 数字病理学数字病理学
- 医学成像医学成像
- 医学中的人工智能
背景情况:
- 血素和欧 (H&E) 染色对于结质瘤诊断至关重要,但成本昂贵,耗时,劳动密集.
- 目前的H&E染色需要专门的实验室和专家病理学家,限制了其可访问性和速度.
研究的目的:
- 开发一种快速而准确的方法,将超光谱图像转换为虚拟的H&E染色图像.
- 为了克服传统的H&E染色的局限性,使用先进的成像和深度学习技术.
主要方法:
- 深度学习算法的集成与高光谱成像.
- 使用Unet架构进行图像对图像的翻译,实现高性能指标.
- 开发一个全面的软件系统,用于自动化虚拟的H&E染色.
主要成果:
- 联网模型表现出卓越的性能,平均SSIM为0.7731和PSNR为23.3120.
- 与其他发电机结构相比,实现了最短的训练和推断时间.
- 开发的平台以3.81mm2/s的速度重建了质瘤的虚拟H&E图像.
结论:
- 拟议的虚拟H&E染色方法准确地捕获了详细的组织信息,模仿了现实的H&E结果.
- 这种创新方法为传统组织学染色提供了更快,更有效,更容易获得的替代方案.
- 集成的软件系统加速了手术内成像,有助于疾病诊断,并促进了医疗自动化.
