HcGAN:协调条件生成对抗网络,用于高效地从H&E生成高质量的IHC图像

科学领域:

• 数字病理学数字病理学
• 计算机成像成像技术
• 医学中的人工智能

背景情况:

• 高质量的组织病理学图像,如免疫组织化学 (IHC),对于准确的癌症诊断和计算机辅助诊断 (CAD) 系统的开发至关重要.
• 实验室生产IHC图像是昂贵和耗时的.
• 目前基于AI的IHC图像生成方法面临由于细胞复杂性,染色变异性和过度拟合的局限性.

研究的目的:

• 提出一种新的技术,即波条件生成对抗网络 (HcGAN),用于生成高质量的IHC染色图像.
• 为了利用广泛可用的血素和素 (H&E) 图像作为生成现实的IHC图像的输入.
• 为了提高视觉质量并减少生成的IHC图像中的过拟合.

主要方法:

• 拟议的HcGAN模型使用生成式对抗式学习与生成器和区分器网络.
• 基于离散的共弦变换过器银行的波卷积在发电机和区分器网络中使用,取代了标准卷积.
• 该模型使用含有各种癌症组织底层细胞和形态结构的血素和素 (H&E) 图像进行训练.

主要成果:

• HcGAN模型成功生成高质量的IHC图像,模仿真实染色图像,有效突出正细胞.
• 定性和定量分析表明,与最先进的方法相比,HCGAN的性能优越.
• 使用波卷积提高了视觉质量,并减轻了过拟合问题.

结论:

• HcGAN技术在从H&E染料中生成现实和高质量的IHC图像方面取得了重大进展.
• 这种方法为传统的基于实验室的IHC图像制作提供了具有成本效益和高效的替代方案.
• 拟议的方法有可能极大地有利于数字病理学和计算机辅助诊断领域.