电子染色DermaRepo:H&E整个幻灯片图像染色数据集
Muhammad Zeeshan Asaf1, Anum Abdul Salam1, Samavia Khan2,3
1Department of Computer and Software Engineering, College of Electrical and Mechanical Engineering, National University of Sciences and Technology, Islamabad 44000, Pakistan.
Data in brief
|November 5, 2024
概括
这项研究引入了一套新的皮肤活检图像数据集,用于人工智能 (AI) 疾病诊断. 双对比生成对抗网络 (GAN) 成功生成了现实的虚拟染色,提高了诊断效率.
科学领域:
- 数字病理学数字病理学
- 医学成像医学成像
- 医疗保健中的人工智能
背景情况:
- 自动疾病诊断依赖于人工智能和机器学习框架的大型注释数据集.
- 及时和准确的诊断对于改善患者的治疗结果至关重要.
- 当前的方法往往需要大量的手动注释和医疗图像的处理.
研究的目的:
- 开发一个全面的数据集的整个幻灯片图像,用于皮肤活检分析.
- 为了几乎复制血素和乙 (H&E) 染色过程.
- 提高计算机辅助诊断管道的效率和准确性.
主要方法:
- 使用亮场显微镜创建了一个未染色的皮肤活检图像存储库.
- 用化学和虚拟染色图像样本被生成用于比较.
- 一个双对比的生成对抗网络 (GAN) 被训练来合成几乎染色的图像.
主要成果:
- 经过训练的GAN在虚拟和化学染色图像之间获得了80.47的Fréchet Inception Distance (FID) 得分,这表明内容相关性很高.
- 在未染色和几乎染色,未染色和化学染色图像之间,分别观察到FID分数为342.01和320.40.
- 结果表明该模型能够产生现实的虚拟污点.
结论:
- 开发的数据集和虚拟染色方法可以显著提高疾病诊断管道的效率.
- 虚拟染色提供了一种有希望的方法,可以减少对手工染色程序的依赖.
- 这项工作有助于在数字病理学中推进AI驱动的诊断工具.
更多相关视频
13:47Laser Capture Microdissection of Highly Pure Trabecular Meshwork from Mouse Eyes for Gene Expression Analysis
Published on: June 3, 2018
9.3K
08:40Quantitation of Protein Expression and Co-localization Using Multiplexed Immuno-histochemical Staining and Multispectral Imaging
Published on: April 8, 2016
12.7K