基于深度学习的无标签虚拟染色和人类组织的分类使用数字幻灯片扫描仪.
Santanu Misra1, Sei Na2, Kyoungsook Park3
1Department of Biophysics, Institute of Quantum Biophysics, Sungkyunkwan University, Suwon 16419, South Korea.
Medical image analysis
|November 14, 2025
概括
这项研究介绍了一种高通量虚拟组织学框架,使用深度学习来快速自动处理未染色的组织幻灯片. 该方法生成虚拟的H&E图像,在癌症检测中达到95.9%的准确性,为传统染色提供了具有成本效益的替代方案.
科学领域:
- 数字病理学数字病理学
- 计算型他的病理学
- 医学中的人工智能
背景情况:
- 血素和氨酸 (H&E) 染色是基因病理学中的标准,但不可逆转,耗时且昂贵.
- 基于深度学习的无标签显微镜在临床采用方面面临挑战,原因是速度和系统管理问题.
- 目前的方法限制了后续分析,需要大量的化学处理.
研究的目的:
- 开发一个高通量虚拟组织学框架,用于快速,自动处理未染色的组织幻灯片.
- 从未染色的明亮场 (UBF) 图像中生成现实的虚拟H&E (VHE) 图像.
- 为了使用VHE和UBF图像进行精确的癌症检测.
主要方法:
- 集成高通量数字多幻灯片扫描仪与深度学习进行虚拟染色和分类.
- 使用NEGCUT模型与实例智能的硬负面示例生成,用于未配对的图像对图像翻译,以创建VHE图像.
- 使用基于残余网络 (ResNet) 的分类模型,分析VHE和UBF图像.
主要成果:
- 该框架成功地处理了来自各种FFPE组织样本 (淋巴结,大脑,肝脏) 的未染色的明亮场图像.
- 生成的VHE图像忠实地复制了传统的H&E染色,保留了关键的形态特征.
- 通过联合分析VHE和UBF图像,在癌症检测中获得了95.9%的准确性.
- 病理学家证实VHE图像是诊断的,在盲目评估中无法与传统幻灯片区分开来.
结论:
- 拟议的框架为传统的H&E染色提供了一个可扩展,具有成本效益和高效的替代方案.
- 能够实现高通量组织病理学,减少时间,劳动力和化学物质的使用.
- 便于先进分析以前因不可逆转的染色程序而受到限制的组织样本.
