CytoGAN:通过结构保存进行未配对的染色转移,用于细胞病理学图像分析

科学领域:

• 数字病理学数字病理学
• 计算病理学计算病理学
• 医疗图像分析 医学图像分析

背景情况:

• 对于子宫内膜癌查的深度学习依赖于细胞形态分析.
• 细胞学图像染色模式的变化可以显著降低算法性能.
• 现有的染色转换方法往往无法保存细胞布局和临床结构信息.

研究的目的:

• 开发一种新的深度学习模型,CytoGAN,用于对子宫内膜细胞学图像进行现实的染色转换.
• 解决现有方法在保存细胞结构和临床信息方面的局限性.
• 通过使用转换图像来提高子宫内膜癌分类的稳定性和准确性.

主要方法:

• 建议 CytoGAN,一个染色转换模型,包括一个结构保存模块和一个染色适应模块.
• 结构保护模块确保了细胞结构完整性,尽管分辨率或细胞大小不匹配.
• 染色适应模块增强了产生的子宫内膜细胞学图像的现实性和质量.

主要成果:

• 赛托GAN生成了现实的细胞学图像,保留了细胞布局和结构.
• 该模型在定性和定量评估中超过了十种最先进的染料转化方法.
• 在子宫内膜癌症分类中,CytoGAN转换的图像在多式联络数据集上的准确度提高了20%以上.

结论:

• 赛托GAN有效地生成高质量的,现实的细胞学图像,具有多种染色风格,同时保留关键的结构信息.
• 拟议的方法显著提高了子宫内膜癌分类模型的稳定性和诊断准确性.
• 使用CytoGAN从H&E图像中生成特定的污点,为改善子宫内膜癌诊断提供了一个有前途的方法.