通过使用循环一致的生成对抗网络进行组织人工物校正,在血素和素图像中启用了免疫光引导的细分模型

科学领域:

• 计算病理学计算病理学
• 数字病理学数字病理学
• 机器学习在组织病理学中的应用.

背景情况:

• 监督的深度学习模型需要广泛的,准确的基础真理注释,这是耗时和昂贵的生成.
• 免疫光 (IF) 染色提供了分子注释,但在标准血素和乙素 (H&E) 和IF后的H&E (终端H&E) 染色之间产生了差异,限制了其用于训练的用途.
• 这些差异阻碍了IF衍生的注释直接应用于用于训练计算机视觉模型的传统H&E图像.

研究的目的:

• 开发一种方法,在传统的H&E图像上训练准确的计算机视觉模型,而无需手动注释.
• 为了克服IF处理引起的传统H&E和终端H&E之间的染色差异.
• 为了使分子注释数据 (通过IF) 在数字病理学中用于大规模的基准真相生成.

主要方法:

• 利用循环一致的生成对抗网络 (CycleGAN) 合成传统的H&E图像,模拟终端H&E污点的外观.
• 在这些合成生成的终端H&E图像上训练了一种深度学习细分模型,用于表皮细分.
• 在实际组织上使用 IF 染色表皮标记物 (细胞激素) 验证了细分模型.
• 在传统的H&E图像上集成了CycleGAN染色转移模型与执行性上皮质细分的细分模型.

主要成果:

• 合成图像生成成功模拟了常规H&E图像中的终端H&E外观.
• 在合成数据上训练的深度学习模型实现了精确的上皮质细分,并通过IF染色验证.
• 结合的方法使得直接在常规的H&E图像上实现了性能上皮质细分.
• 通过利用IF和生成模型,证明了没有人类专家注释的培训细分模型的可行性.

结论:

• 生成对抗性网络可以弥合传统的H&E和终端H&E之间的差距,使分子注释能够用于训练计算机视觉模型.
• 这种方法显著加速了用于数字病理学应用的准确基准真相的生成.
• 它允许开发强大的计算机视觉工具用于 histopathology 使用随时可用的传统的 H&E 数据,绕过手动注释的需要.