論文の概要: Deep Learning-enabled Virtual Histological Staining of Biological Samples

• arxiv url: http://arxiv.org/abs/2211.06822v1
• Date: Sun, 13 Nov 2022 05:31:47 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-15 17:12:42.923985
• Title: Deep Learning-enabled Virtual Histological Staining of Biological Samples
• Title（参考訳）: 深層学習による生体試料の仮想組織染色
• Authors: Bijie Bai, Xilin Yang, Yuzhu Li, Yijie Zhang, Nir Pillar, Aydogan Ozcan
• Abstract要約: 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。
• 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 the gold standard for tissue examination in clinical pathology and life-science research, which visualizes the tissue and cellular structures using chromatic dyes or fluorescence labels to aid the microscopic assessment of tissue. However, the current histological staining workflow requires tedious sample preparation steps, specialized laboratory infrastructure, and trained histotechnologists, making it expensive, time-consuming, and not accessible in resource-limited settings. Deep learning techniques created new opportunities to revolutionize staining methods by digitally generating histological stains using trained neural networks, providing rapid, cost-effective, and accurate alternatives to standard chemical staining methods. These techniques, broadly referred to as virtual staining, were extensively explored by multiple research groups and demonstrated to be successful in generating various types of histological stains from label-free microscopic images of unstained samples; similar approaches were also used for transforming images of an already stained tissue sample into another type of stain, performing virtual stain-to-stain transformations. In this Review, we provide a comprehensive overview of the recent research advances in deep learning-enabled virtual histological staining techniques. The basic concepts and the typical workflow of virtual staining are introduced, followed by a discussion of representative works and their technical innovations. We also share our perspectives on the future of this emerging field, aiming to inspire readers from diverse scientific fields to further expand the scope of deep learning-enabled virtual histological staining techniques and their applications.
• Abstract（参考訳）: 組織染色 (histological staining) は臨床病理学および生命科学研究における組織検査の金本位であり、染色染料や蛍光標識を用いて組織や細胞構造を可視化し、組織を微視的に評価する。 しかしながら、現在の組織染色ワークフローでは、退屈なサンプル準備手順、専門的な実験室インフラ、訓練された組織技術者が必要であり、費用がかかり、時間がかかり、リソース制限された環境ではアクセスできない。 ディープラーニング技術は、トレーニングされたニューラルネットワークを使用して組織学的染色をデジタル生成し、標準的な化学染色法に迅速で費用効果があり、正確な代替手段を提供することによって、染色方法に革命をもたらす新たな機会を生み出した。 これらの技術は、広く仮想染色と呼ばれ、複数の研究グループによって広範囲に研究され、ラベルのない無傷試料の顕微鏡画像から様々な種類の組織染色を生成できることが証明された。 本稿では,ディープラーニングを利用した仮想組織染色技術における最近の研究動向を概観する。 仮想染色の基本概念と典型的なワークフローが紹介され、続いて代表作とその技術革新に関する議論が続く。 私たちはまた、この新興分野の将来についての見解を共有し、さまざまな科学分野の読者を刺激し、深層学習可能な仮想組織染色技術とその応用の範囲をさらに拡大することを目指している。

関連論文リスト

• Single color digital 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)
• Neural Echos: Depthwise Convolutional Filters Replicate Biological Receptive Fields [56.69755544814834]
  哺乳類網膜で観察される生体受容野を,深部核が効果的に複製していることを示す証拠を提示する。 生体受容の分野からインスピレーションを得る手法を提案する。
  論文  参考訳（メタデータ） (2024-01-18T18:06:22Z)
• 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)
• 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)
• Orientation-Shared Convolution Representation for CT Metal Artifact Learning [63.67718355820655]
  X線CT(CT)スキャン中、患者を乗せた金属インプラントは、しばしば有害なアーティファクトに繋がる。 既存のディープラーニングベースの手法は、有望な再構築性能を得た。 本稿では,人工物の物理的事前構造に適応するために,配向型畳み込み表現戦略を提案する。
  論文  参考訳（メタデータ） (2022-12-26T13:56:12Z)
• HistoStarGAN: A Unified Approach to Stain Normalisation, Stain Transfer and Stain Invariant Segmentation in Renal Histopathology [0.5505634045241288]
  HistoStarGANは、複数の染色間での染色を行う統一されたフレームワークである。 合成データジェネレータとして機能し、完全に注釈付けされた合成画像データの使用方法を舗装する。
  論文  参考訳（メタデータ） (2022-10-18T12:22:26Z)
• 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)
• Towards an Automatic Analysis of CHO-K1 Suspension Growth in Microfluidic Single-cell Cultivation [63.94623495501023]
  我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。 具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
  論文  参考訳（メタデータ） (2020-10-20T08:36:51Z)
• 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。