論文の概要: Digital synthesis of histological stains using micro-structured and
multiplexed virtual staining of label-free tissue
- arxiv url: http://arxiv.org/abs/2001.07267v1
- Date: Mon, 20 Jan 2020 22:14:06 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-08 05:23:00.629102
- Title: Digital synthesis of histological stains using micro-structured and
multiplexed virtual staining of label-free tissue
- Title（参考訳）: ラベルフリー組織の微細・多重仮想染色による組織学的染色のディジタル合成
- Authors: Yijie Zhang, Kevin de Haan, Yair Rivenson, Jingxi Li, Apostolos Delis,
Aydogan Ozcan
- Abstract要約: ラベルのない組織を用いて仮想的な画像を生成するディープ・ラーニング・ベース・フレームワークを提案する。
無ラベル腎組織切片を用いて,この仮想染色ネットワークを訓練し,盲目的にテストした。
- 参考スコア（独自算出の注目度）: 2.446672595462589
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Histological staining is a vital step used to diagnose various diseases and
has been used for more than a century to provide contrast to tissue sections,
rendering the tissue constituents visible for microscopic analysis by medical
experts. However, this process is time-consuming, labor-intensive, expensive
and destructive to the specimen. Recently, the ability to virtually-stain
unlabeled tissue sections, entirely avoiding the histochemical staining step,
has been demonstrated using tissue-stain specific deep neural networks. Here,
we present a new deep learning-based framework which generates
virtually-stained images using label-free tissue, where different stains are
merged following a micro-structure map defined by the user. This approach uses
a single deep neural network that receives two different sources of information
at its input: (1) autofluorescence images of the label-free tissue sample, and
(2) a digital staining matrix which represents the desired microscopic map of
different stains to be virtually generated at the same tissue section. This
digital staining matrix is also used to virtually blend existing stains,
digitally synthesizing new histological stains. We trained and blindly tested
this virtual-staining network using unlabeled kidney tissue sections to
generate micro-structured combinations of Hematoxylin and Eosin (H&E), Jones
silver stain, and Masson's Trichrome stain. Using a single network, this
approach multiplexes virtual staining of label-free tissue with multiple types
of stains and paves the way for synthesizing new digital histological stains
that can be created on the same tissue cross-section, which is currently not
feasible with standard histochemical staining methods.
- Abstract（参考訳）: 組織染色は様々な疾患の診断に必須のステップであり、1世紀以上にわたって組織切片との対比として用いられてきた。
しかし、このプロセスは時間がかかり、労働集約的であり、高価であり、標本に破壊的である。
近年,組織特異的深層神経回路を用いて,組織化学染色の段階を完全に回避する非標識組織切片を仮想的に維持する能力が実証されている。
本稿では,ユーザが定義したマイクロ構造マップに従って異なる汚れをマージするラベルのない組織を用いて,仮想的なステンド画像を生成するディープラーニングベースのフレームワークを提案する。
本手法では,(1)ラベルのない組織試料の自己蛍光像,(2)同じ組織部位で仮想的に発生する異なる染色の顕微鏡マップを表すデジタル染色マトリックスの2つの異なる情報ソースを入力時に受信する1つのディープニューラルネットワークを用いる。
このデジタル染色マトリックスは、既存の染色を仮想的にブレンドし、新しい組織染色をデジタル合成するためにも用いられる。
我々はこの仮想維持ネットワークを非標識腎臓組織切片を用いて訓練し、ヘマトキシリンとエオシン(h&e)、ジョーンズ銀染色、マッソンのトリクロム染色の微構造的組み合わせを生成した。
単一のネットワークを用いることで、ラベルのない組織の仮想染色を複数の種類の染色で多重化し、同じ組織断面上で生成できる新しいデジタル組織学的染色を合成する方法を舗装する。
関連論文リスト
- DiffKillR: Killing and Recreating Diffeomorphisms for Cell Annotation in Dense Microscopy Images [105.46086313858062]
DiffKillRは、アーチェタイプマッチングと画像登録タスクの組み合わせとして、セルアノテーションを再構成する新しいフレームワークである。
我々はDiffKillRの理論的性質について論じ、それを3つの顕微鏡タスクで検証し、既存の教師付き・半教師なし・教師なしの手法に対する利点を実証する。
論文 参考訳（メタデータ） (2024-10-04T00:38:29Z) - Virtual birefringence imaging and histological staining of amyloid deposits in label-free tissue using autofluorescence microscopy and deep learning [4.074521061733491]
コンゴ赤染色(コンゴ赤し、英: Congo red stain)は、組織におけるアミロイド鉱床の可視化のための金標準化学染色である。
単一のトレーニングされたニューラルネットワークは、ラベルのない組織セクションの自己蛍光画像を、明視野および偏光顕微鏡等価画像に変換することができる。
論文 参考訳（メタデータ） (2024-03-14T04:48:06Z) - Automated Whole Slide Imaging for Label-Free Histology using Photon
Absorption Remote Sensing Microscopy [0.0]
現在の染色法と高度なラベリング法は、しばしば破壊的であり、相互に相容れない。
最初の透過モード光子リモートセンシング顕微鏡を用いたラベルフリー組織学プラットフォームを提案する。
論文 参考訳（メタデータ） (2023-04-26T12:36:19Z) - Cross-modulated Few-shot Image Generation for Colorectal Tissue
Classification [58.147396879490124]
XM-GANと名づけられた少数ショット生成法は,1塩基と1対の参照組織像を入力とし,高品質で多様な画像を生成する。
我々の知る限りでは、大腸組織像の少数ショット生成を最初に調査した人物である。
論文 参考訳（メタデータ） (2023-04-04T17:50:30Z) - Digital staining in optical microscopy using deep learning -- a review [47.86254766044832]
デジタル染色は、光学的コントラストから実際の染色の確立された生化学的コントラストへの翻訳に近代的な深層学習を利用するための有望な概念として登場した。
この分野の現状を詳細に分析し、優れた実践方法を提案し、落とし穴と課題を特定し、将来の実装やアプリケーションに向けた将来的な進歩を仮定する。
論文 参考訳（メタデータ） (2023-03-14T15:23:48Z) - Deep Learning-enabled Virtual Histological Staining of Biological
Samples [2.446672595462589]
組織染色は臨床病理学および生命科学研究における組織検査における金の標準である。
現在の組織学的染色のワークフローには、退屈なサンプル準備ステップ、特別な実験施設、および訓練された組織学者が必要である。
深層学習技術は、組織染色をデジタル的に生成することで染色法に革命をもたらす新たな機会を生み出した。
論文 参考訳（メタデータ） (2022-11-13T05:31:47Z) - Virtual stain transfer in histology via cascaded deep neural networks [2.309018557701645]
ケースドディープニューラルネットワーク(C-DNN)による仮想染色伝達フレームワークの実証を行った。
C-DNNは、入力として1つの染色タイプのみを取り込んで別の染色タイプの画像をデジタル出力する単一のニューラルネットワーク構造とは異なり、まず仮想染色を使用して、自己蛍光顕微鏡画像をH&Eに変換する。
我々は,H&E染色組織像を仮想PAS( periodic acid-Schiff)染色に変換することに成功した。
論文 参考訳（メタデータ） (2022-07-14T00:43:18Z) - Lymphocyte Classification in Hyperspectral Images of Ovarian Cancer
Tissue Biopsy Samples [94.37521840642141]
生検コアのハイパースペクトル画像に白血球画素を分割する機械学習パイプラインを提案する。
これらの細胞は臨床的に診断に重要であるが、いくつかの先行研究は正確なピクセルラベルを得るのが困難であるため、それらを組み込むのに苦労している。
論文 参考訳（メタデータ） (2022-03-23T00:58:27Z) - Texture Characterization of Histopathologic Images Using Ecological
Diversity Measures and Discrete Wavelet Transform [82.53597363161228]
本稿では,病理組織像間でテクスチャを特徴付ける手法を提案する。
2つのHIデータセットに有望な精度で、そのような画像の固有特性を定量化することが可能である。
論文 参考訳（メタデータ） (2022-02-27T02:19:09Z) - Spectrum Translation for Cross-Spectral Ocular Matching [59.17685450892182]
バイオメトリックスでは、特に眼領域において、クロススペクトル検証が大きな問題となっている。
近赤外画像と視覚光画像のスペクトル変換におけるコンディショナル・ディバイサル・ネットワークの利用について検討した。
論文 参考訳（メタデータ） (2020-02-14T19:30:31Z) - Pix2Pix-based Stain-to-Stain Translation: A Solution for Robust Stain
Normalization in Histopathology Images Analysis [5.33024001730262]
Stain-to-Stain Translation (STST) はヘマトキシリンおよびエオシン染色組織像の正常化に用いられている。
条件付きジェネレータ対向ネットワーク(cGAN)を用いたピクス2ピクセルフレームワークに基づく翻訳処理を行う。
論文 参考訳（メタデータ） (2020-02-03T11:19:01Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。