VISGAB:虚拟染色驱动的GAN基准测试,以优化皮肤组织组织学
Muhammad Altaf Hussain1, Muhammad Asim Waris2, Muhammad Usman Akram3
1Department of Biomedical Engineering and Sciences, School of Mechanical and Manufacturing Engineering (SMME), National University of Sciences and Technology (NUST), Islamabad, 44000, Pakistan. altaf42049@gmail.com.
Scientific reports
|November 27, 2025
概括
本研究介绍了VISGAB,这是皮肤组织学中使用生成对抗网络 (GAN) 进行虚拟染色的基准. 与其他GAN相比,CycleGAN展示了优越的诊断实用性和结构忠实性,支持AI驱动的组织病理学.
科学领域:
- 计算病理学计算病理学
- 数字组织病理学 数字组织病理学
- 医学中的人工智能
背景情况:
- 血素和欧 (H&E) 染色是一种标准的,但在皮肤组织学中存在缺陷的方法.
- 目前的限制包括时间,成本,危险和质量变化.
- 生成对抗性网络 (GAN) 提供了虚拟染色的潜力,但需要系统的评估以诊断实用性.
研究的目的:
- 引入VISGAB,这是评估皮肤组织学中的GANs的第一个基准.
- 系统地比较用于虚拟染色的常见GAN架构.
- 根据诊断实用性来评估虚拟污点,而不仅仅是感知质量.
主要方法:
- 开发和应用VISGAB基准.
- 在DermaRepo皮肤组织学数据集 (87个世界卫生组织) 上对CycleGAN,CUTGAN和DCLGAN的系统评估.
- 使用了组织学特定的忠实度指数 (HSFI) 和专家的定性评估.
主要成果:
- CycleGAN实现了卓越的结构保真性 (SSIM:0.93,HSFI:0.81) 和诊断充分性 (75%的核异常检测).
- 循环GAN还显示出高图灵测试成功率 (81%),尽管推断时间较长和模式崩风险较高.
- CUTGAN和DCLGAN展出了限制其诊断实用性的文物.
结论:
- CycleGAN是用于虚拟皮肤组织学的首选GAN架构,平衡忠实性和诊断准确性.
- VISGAB提供了一个强大的框架来评估人工智能驱动的组织病理学工具.
- 这项研究解决了用于可靠诊断应用的GAN基准测试中的关键缺口.
