从乳房IHC虚拟染色的弱配对图像进行监督信息挖掘

科学领域:

• 数字病理学数字病理学
• 计算机成像成像技术
• 生物医学图像分析

背景情况:

• 免疫组织化学 (IHC) 对于乳腺癌诊断和治疗计划至关重要,但复杂且昂贵.
• 血素和欧 (H&E) 染色是一种更容易获得的替代方法,但缺乏IHC的特定诊断信息.
• 从H&E到IHC的虚拟染色可以弥合这一差距,但准确的图像注册和监督是具有挑战性的.

研究的目的:

• 开发一种虚拟染色方法,从乳腺癌的H&E图像中生成IHC图像.
• 为了应对邻近的H&E和IHC组织层之间的不准确的像素级配对的挑战.
• 提高虚拟IHC染色在临床环境中的准确性和适用性.

主要方法:

• 提出一个生成对抗网络 (GAN),将基于最佳运输的监督信息挖掘 (OT-SIM) 纳入实例级监督.
• 实施基于病理相关的监督信息挖掘 (PC-SIM) 进行批量级监督,利用图像相关性.
• 使用相邻层组织图像进行训练,尽管像素水平对齐不完美.

主要成果:

• 与现有的最先进的技术相比,拟议的SIM-GAN方法在虚拟IHC染色中表现出优异的性能.
• 对两个基准乳腺组织数据集的定量和质量评估证实了该方法的有效性.
• 该方法成功地从H&E和IHC图像对中挖掘了监督信息,即使有注册不准确.

结论:

• 开发的虚拟染色技术提供了一个有希望的解决方案,以减少与传统IHC染色相关的成本和复杂性.
• 通过使用新的信息挖掘机制,SIM-GAN有效地解决了非理想图像配对的挑战.
• 这一进步有可能通过更容易获得的IHC类信息来改善乳腺癌的个性化治疗策略.