論文の概要: Deep learning-based transformation of the H&E stain into special stains
- arxiv url: http://arxiv.org/abs/2008.08871v2
- Date: Fri, 13 Aug 2021 00:12:07 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-27 03:24:30.981660
- Title: Deep learning-based transformation of the H&E stain into special stains
- Title（参考訳）: 深層学習に基づくH&E染色の特殊染色への変換
- Authors: Kevin de Haan, Yijie Zhang, Jonathan E. Zuckerman, Tairan Liu, Anthony
E. Sisk, Miguel F. P. Diaz, Kuang-Yu Jen, Alexander Nobori, Sofia Liou, Sarah
Zhang, Rana Riahi, Yair Rivenson, W. Dean Wallace, Aydogan Ozcan
- Abstract要約: 腎針核生検の組織切片を用いた,H&Eから特殊染色への教師あり学習型コンピュータステンレス変換の有用性を示す。
結果: 染色変態ネットワークにより生成された特殊染色の品質は, 標準組織化学的染色により生成されたものと統計的に同等であった。
- 参考スコア（独自算出の注目度）: 44.38127957263123
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Pathology is practiced by visual inspection of histochemically stained
slides. Most commonly, the hematoxylin and eosin (H&E) stain is used in the
diagnostic workflow and it is the gold standard for cancer diagnosis. However,
in many cases, especially for non-neoplastic diseases, additional "special
stains" are used to provide different levels of contrast and color to tissue
components and allow pathologists to get a clearer diagnostic picture. In this
study, we demonstrate the utility of supervised learning-based computational
stain transformation from H&E to different special stains (Masson's Trichrome,
periodic acid-Schiff and Jones silver stain) using tissue sections from kidney
needle core biopsies. Based on evaluation by three renal pathologists, followed
by adjudication by a fourth renal pathologist, we show that the generation of
virtual special stains from existing H&E images improves the diagnosis in
several non-neoplastic kidney diseases sampled from 58 unique subjects. A
second study performed by three pathologists found that the quality of the
special stains generated by the stain transformation network was statistically
equivalent to those generated through standard histochemical staining. As the
transformation of H&E images into special stains can be achieved within 1 min
or less per patient core specimen slide, this stain-to-stain transformation
framework can improve the quality of the preliminary diagnosis when additional
special stains are needed, along with significant savings in time and cost,
reducing the burden on healthcare system and patients.
- Abstract（参考訳）: 病理学は組織化学的に染色されたスライドの視覚的検査によって実践される。
最も一般的には、診断ワークフローにおいてヘマトキシリンとエオシン(H&E)染色が使用され、がん診断のゴールドスタンダードである。
しかし、多くの場合、特に非腫瘍性疾患では、組織成分と異なるレベルのコントラストと色を提供し、病理医がより明確な診断画像を得るために「特殊な染色」が用いられる。
本研究では,h&eから異なる特殊染色(masson's trichrome, periodic acid-schiff, jones silver stain)へ,腎臓針コア生検から組織切片を用いて教師あり学習に基づく計算的染色変換の有用性を示す。
3人の腎病理医による評価と4人目の腎病理医による偏見から,既存のH&E画像からの仮想染色により,58例の非腫瘍性腎疾患の診断が改善することが示唆された。
3人の病理学者による第2の研究では、ステンドトランスフォーメーションネットワークによって生成される特殊染色の品質は、標準的な組織化学的染色によって生成されたものと統計的に同等であることが判明した。
H&E画像の特殊な染色への変換は、患者コア検体スライドあたり1分以下で達成できるため、この染色-安定変換フレームワークは、追加の特別な染色が必要な場合の予備診断の質を向上させるとともに、時間とコストの大幅な節約と、医療システムや患者に対する負担の軽減を可能にする。
関連論文リスト
- FairSkin: Fair Diffusion for Skin Disease Image Generation [54.29840149709033]
拡散モデル (DM) は, 合成医用画像の生成において主要な手法となっているが, 臨界二倍偏差に悩まされている。
このようなバイアスを3段階のリサンプリング機構によって緩和する新しいDMフレームワークであるFairSkinを提案する。
本手法は, 画像の多様性と品質を著しく向上させ, 臨床環境における皮膚疾患の検出精度の向上に寄与する。
論文 参考訳（メタデータ） (2024-10-29T21:37:03Z) - Label-free evaluation of lung and heart transplant biopsies using virtual staining [3.24061990641619]
従来の組織化学的染色プロセスは、時間がかかり、費用がかかり、労働集約的である。
肺・心臓移植生検における仮想染色ニューラルネットワークのパネルについて述べる。
仮想染色ネットワークは、高い色均一性を持つ高品質な組織像を一貫して生成する。
論文 参考訳（メタデータ） (2024-09-09T00:18:48Z) - StainDiffuser: MultiTask Dual Diffusion Model for Virtual Staining [1.9029890402585894]
ヘマトキシリンとエオシン(H&E)染色は、疾患の診断や腫瘍再発追跡に最もよく用いられる。
ディープラーニングモデルは、画像から画像への変換(I2I)を重要な研究領域とし、高価な物理的染色プロセスの必要性を減らす。
StainDiffuserは、仮想染色のための新しい二重拡散アーキテクチャであり、限られたトレーニング予算の下で収束する。
論文 参考訳（メタデータ） (2024-03-17T20:47:52Z) - Virtual histological staining of unlabeled autopsy tissue [1.9351365037275405]
トレーニングされたニューラルネットワークは、ラベルのない解剖組織セクションの自己蛍光画像から、ヘマトキシリンとエオシンの染色された同じサンプルの鮮明な等価画像に変換することができる。
我々の仮想解剖染色技術は壊死組織にまで拡張することができ、重篤な自己分解と細胞死にもかかわらず、高速かつ費用対効果で無形H&E染色を生成できる。
論文 参考訳（メタデータ） (2023-08-02T03:31:22Z) - 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) - 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) - Spectral-Spatial Recurrent-Convolutional Networks for In-Vivo
Hyperspectral Tumor Type Classification [49.32653090178743]
ハイパースペクトル画像とディープラーニングを用いたin-vivo腫瘍型分類の可能性を示した。
我々の最良のモデルは76.3%のAUCを達成し、従来の学習手法とディープラーニング手法を著しく上回っている。
論文 参考訳（メタデータ） (2020-07-02T12:00:53Z) - 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。