基于深度学习的虚拟染色,细分和分类在人类标本的无标签的光声学组织学中进行
Chiho Yoon1, Eunwoo Park1, Sampa Misra1
1Departments of Electrical Engineering, Convergence IT Engineering, Mechanical Engineering, Medical Science and Engineering, Graduate School of Artificial Intelligence, and Medical Device Innovation Center, Pohang University of Science and Technology (POSTECH), Pohang, Republic of Korea.
Light, science & applications
|September 2, 2024
概括
本研究引入了一个深度学习框架,用于自动虚拟染色,细分和分类无标签的光声学组织学 (PAH) 图像. 该方法在诊断肝癌方面达到很高的准确性,提供了一个实用的数字病理学解决方案.
科学领域:
- 数字病理学数字病理学
- 医学成像分析分析 医学成像分析
- 人工智能在瘤学中的应用
背景情况:
- 组织学图像对于癌症诊断至关重要,但需要费力的染色.
- 无标签显微镜提供了替代方案,但面临着可视化挑战.
- 需要对病理图像进行自动化分析,以提高临床效率.
研究的目的:
- 开发一个深度学习 (DL) 框架,用于自动虚拟染色,细分和分类无标签的光声学组织学 (PAH) 图像.
- 提高病理诊断的诊断准确性和效率.
- 为数字病理学提供实用的临床策略.
主要方法:
- 一个相互连接的DL框架,包括可解释的对比无对比翻译 (E-CUT) 用于虚拟的H&E (VHE) 染色.
- 在VHE图像中进行特征细分的U-net架构.
- 基于DL的阶段性特征融合 (StepFF) 用于使用PAH,VHE和细分图像特征进行分类.
主要成果:
- E-CUT产生了与真实H&E非常相似的VHE图像,保留了形态细节.
- 从VHE图像中成功细分了细胞特征 (面积,数量,核距离).
- 步骤FF实现了98.00%的分类准确度,超过了传统的PAH (94.80%),病理学家评估的灵敏度为100%.
结论:
- DL框架为无标签PAH分析提供了一个强大的方法.
- 虚拟染色和细分增强了数字病理学的诊断能力.
- 这种方法显示出在癌症诊断中临床应用的巨大潜力.
