一个多视角的自我监督的生成对抗网络,用于FS对FFPE污点转移

科学领域:

• 数字病理学数字病理学
• 医学图像分析 医学图像分析
• 人工智能在医学中的应用

背景情况:

• 冷截面 (FS) 图像提供了快速的手术内病理洞察力,但与甲固定和嵌 (FFPE) 图像相比,其质量较差.
• 配对FS和FFPE图像的稀缺性阻碍了对染色移动的监督学习,这是改善手术期间图像质量的关键步骤.
• 现有的FS到FFPE染色转移方法在维护核完整性,消除图像模糊性和准确生成边缘区域方面面临挑战.

研究的目的:

• 开发一种有效的方法来将FS图像转移到FFPE等级,使病理学家能够在操作期间访问高质量的图像.
• 解决监督方法的局限性,提出FS对FFPE染色移动的自我监督方法.
• 为了提高核的一致性,图像清晰度,以及转移图像中的边缘区域的生成.

主要方法:

• 设计了一个多视角自主监督的生成对抗网络 (GAN),包含三个辅助任务.
• 实施了核的一致性约束,以确保在图像传输过程中保证高保真核的保存.
• 使用FFPE引导的图像消除模糊技术和多视场一致性约束来提高图像清晰度和边缘区域生成.

主要成果:

• 五个国际数据集的客观指标和病理学家评估证实了拟议方法的有效性.
• 该方法成功地提高了核忠实度,图像清晰度以及FS到FFPE染色转移中的边缘区域的质量.
• 在微卫星不稳定性预测下游任务中的验证表明,性能改进归因于增强的图像质量.

结论:

• 拟议的多视角自主监督GAN有效地解决了FS对FFPE染色转移的挑战,产生了高质量的病理图像.
• 这种方法通过提供更清晰,更可靠的图像数据,为手术内病理诊断提供了显著的进步.
• 该方法的实用性进一步通过其对下游临床预测任务的积极影响来验证.