論文の概要: Virtual stain transfer in histology via cascaded deep neural networks
- arxiv url: http://arxiv.org/abs/2207.06578v1
- Date: Thu, 14 Jul 2022 00:43:18 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-15 13:39:48.539532
- Title: Virtual stain transfer in histology via cascaded deep neural networks
- Title(参考訳): 深層ニューラルネットワークを用いた組織学における仮想染色
- Authors: Xilin Yang, Bijie Bai, Yijie Zhang, Yuzhu Li, Kevin de Haan, Tairan
Liu, Aydogan Ozcan
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 2.309018557701645
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Pathological diagnosis relies on the visual inspection of histologically
stained thin tissue specimens, where different types of stains are applied to
bring contrast to and highlight various desired histological features. However,
the destructive histochemical staining procedures are usually irreversible,
making it very difficult to obtain multiple stains on the same tissue section.
Here, we demonstrate a virtual stain transfer framework via a cascaded deep
neural network (C-DNN) to digitally transform hematoxylin and eosin (H&E)
stained tissue images into other types of histological stains. Unlike a single
neural network structure which only takes one stain type as input to digitally
output images of another stain type, C-DNN first uses virtual staining to
transform autofluorescence microscopy images into H&E and then performs stain
transfer from H&E to the domain of the other stain in a cascaded manner. This
cascaded structure in the training phase allows the model to directly exploit
histochemically stained image data on both H&E and the target special stain of
interest. This advantage alleviates the challenge of paired data acquisition
and improves the image quality and color accuracy of the virtual stain transfer
from H&E to another stain. We validated the superior performance of this C-DNN
approach using kidney needle core biopsy tissue sections and successfully
transferred the H&E-stained tissue images into virtual PAS (periodic
acid-Schiff) stain. This method provides high-quality virtual images of special
stains using existing, histochemically stained slides and creates new
opportunities in digital pathology by performing highly accurate stain-to-stain
transformations.
- Abstract(参考訳): 病理診断は組織学的に染色された薄い組織標本を視覚的に検査し、異なる種類の染色を施して様々な組織学的特徴と対比し強調する。
しかし, 破壊的組織化学的染色法は通常不可逆的であり, 同一組織に複数の染色を施すのは非常に困難である。
本稿では, カスケードディープニューラルネットワーク(c-dnn)を用いて, ヘマトキシリンおよびエオシン(h&e)染色組織像を他の種類の組織染色にデジタル変換する仮想染色転移フレームワークを示す。
1つのステンドタイプのみを入力として別のステンド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、c-dnnはまず仮想ステンドを使用して自己蛍光顕微鏡画像をh&eに変換し、その後h&eから他のステンドの領域へのステンド転送をカスケード的に行う。
トレーニングフェーズにおけるこのカスケード構造により、H&Eとターゲットの特殊染色の両方の組織化学的に染色された画像データを直接利用することができる。
この利点は、ペアデータ取得の課題を軽減し、h&eから別のステインへの仮想ステンド転送の画質と色精度を向上させる。
腎針核生検組織切片を用いたC-DNN法の有用性を検証し,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。
既存の組織化学的染色スライドを用いた特殊染色の高品質な仮想画像を提供し、高精度な染色から染色への変換を行うことで、デジタル病理学における新たな機会を創出する。
関連論文リスト
- Single color virtual H&E staining with In-and-Out Net [0.8271394038014485]
本稿では,仮想染色タスクに特化して設計された新しいネットワークIn-and-Out Netを提案する。
我々はGAN(Generative Adversarial Networks)に基づいて,反射共焦点顕微鏡(RCM)画像からヘマトキシリンおよびエオシン染色画像へ効率的に変換する。
論文 参考訳(メタデータ) (2024-05-22T01:17:27Z) - Autonomous Quality and Hallucination Assessment for Virtual Tissue Staining and Digital Pathology [0.11728348229595655]
仮想組織染色のための自律的品質・幻覚評価法(AQuA)を提案する。
AQuAは、許容され、受け入れられない事実上の染色組織像を検出すると、99.8%の精度を達成する。
論文 参考訳(メタデータ) (2024-04-29T06:32:28Z) - StainFuser: Controlling Diffusion for Faster Neural Style Transfer in Multi-Gigapixel Histology Images [5.382682403111961]
静止正規化アルゴリズムは、ソースマルチギガピクセルの組織像の色と強度特性を、対象画像と一致するように変換することを目的としている。
本稿では,新しい条件付き潜在拡散アーキテクチャを用いて,この問題をスタイル伝達タスクとして扱う新しいアプローチであるStainFuserを提案する。
論文 参考訳(メタデータ) (2024-03-14T11:49:43Z) - 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) - Deep learning network to correct axial and coronal eye motion in 3D OCT
retinal imaging [65.47834983591957]
深層学習に基づくニューラルネットワークを用いて,OCTの軸運動とコロナ運動のアーチファクトを1つのスキャンで補正する。
実験結果から, 提案手法は動作アーチファクトを効果的に補正し, 誤差が他の方法よりも小さいことを示す。
論文 参考訳(メタデータ) (2023-05-27T03:55:19Z) - 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) - Unsupervised Deep Digital Staining For Microscopic Cell Images Via
Knowledge Distillation [46.006296303296544]
大規模にステンド/アンステンディングされたセルイメージペアを実際に取得することは困難である。
本稿では,セル画像のデジタル染色のための新しい教師なしディープラーニングフレームワークを提案する。
提案手法は, より正確な位置と形状の染色画像を生成することができることを示す。
論文 参考訳(メタデータ) (2023-03-03T16:26:38Z) - 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) - Retinopathy of Prematurity Stage Diagnosis Using Object Segmentation and
Convolutional Neural Networks [68.96150598294072]
未熟児網膜症(英: Retinopathy of Prematurity、ROP)は、主に体重の低い未熟児に影響を及ぼす眼疾患である。
網膜の血管の増殖を招き、視力喪失を招き、最終的には網膜剥離を招き、失明を引き起こす。
近年,ディープラーニングを用いて診断を自動化する試みが盛んに行われている。
本稿では,従来のモデルの成功を基盤として,オブジェクトセグメンテーションと畳み込みニューラルネットワーク(CNN)を組み合わせた新しいアーキテクチャを開発する。
提案システムでは,まず対象分割モデルを訓練し,画素レベルでの区切り線を識別し,その結果のマスクを追加の"カラー"チャネルとして付加する。
論文 参考訳(メタデータ) (2020-04-03T14:07:41Z) - Digital synthesis of histological stains using micro-structured and
multiplexed virtual staining of label-free tissue [2.446672595462589]
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。
論文 参考訳(メタデータ) (2020-01-20T22:14:06Z)
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。