論文の概要: Digital staining in optical microscopy using deep learning -- a review

• arxiv url: http://arxiv.org/abs/2303.08140v1
• Date: Tue, 14 Mar 2023 15:23:48 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-16 18:44:55.644195
• Title: Digital staining in optical microscopy using deep learning -- a review
• Title（参考訳）: 深層学習による光学顕微鏡のディジタル染色 -レビュー-
• Authors: Lucas Kreiss, Shaowei Jiang, Xiang Li, Shiqi Xu, Kevin C. Zhou, Alexander M\"uhlberg, Kyung Chul Lee, Kanghyun Kim, Amey Chaware, Michael Ando, Laura Barisoni, Seung Ah Lee, Guoan Zheng, Kyle Lafata, Oliver Friedrich, and Roarke Horstmeyer
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 47.86254766044832
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Until recently, conventional biochemical staining had the undisputed status as well-established benchmark for most biomedical problems related to clinical diagnostics, fundamental research and biotechnology. Despite this role as gold-standard, staining protocols face several challenges, such as a need for extensive, manual processing of samples, substantial time delays, altered tissue homeostasis, limited choice of contrast agents for a given sample, 2D imaging instead of 3D tomography and many more. Label-free optical technologies, on the other hand, do not rely on exogenous and artificial markers, by exploiting intrinsic optical contrast mechanisms, where the specificity is typically less obvious to the human observer. Over the past few years, digital staining has emerged as a promising concept to use modern deep learning for the translation from optical contrast to established biochemical contrast of actual stainings. In this review article, we provide an in-depth analysis of the current state-of-the-art in this field, suggest methods of good practice, identify pitfalls and challenges and postulate promising advances towards potential future implementations and applications.
• Abstract（参考訳）: 最近まで、従来の生化学染色は、臨床診断、基礎研究、バイオテクノロジーに関連する多くの生物医学的問題に対する、確証のない基準であった。 金標準としての役割にもかかわらず、染色プロトコルは、サンプルの広範囲な手作業による処理の必要性、相当な時間遅延、組織ホメオスタシスの変化、与えられたサンプルに対するコントラスト剤の選択の制限、3Dトモグラフィーの代わりに2Dイメージングなど、いくつかの課題に直面している。 一方、ラベルのない光学技術は、内在的な光学コントラスト機構を利用することによって、外因性および人工マーカーに依存しない。 過去数年間、デジタル染色は、光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現代のディープラーニングを使用する有望な概念として現れてきた。 本稿では,この分野で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,将来的な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。

関連論文リスト

• Harnessing quantum light for microscopic biomechanical imaging of cells and tissues [5.144919723445021]
  本稿では,生物医学研究における光損傷の軽減を目的とした転換的アプローチを紹介する。 量子光励起ブリルアン散乱(SBS)イメージングコントラストを利用して、信号対雑音比を著しく高める。 この方法論の具体的な影響は、標本の生存可能性の顕著な3倍の増大によって証明されている。
  論文  参考訳（メタデータ） (2024-07-11T03:25:51Z)
• 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)
• 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)
• Stain-invariant self supervised learning for histopathology image analysis [74.98663573628743]
  乳がんのヘマトキシリンおよびエオシン染色像におけるいくつかの分類課題に対する自己監督アルゴリズムを提案する。 本手法は,いくつかの乳がんデータセット上での最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2022-11-14T18:16:36Z)
• 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)
• OADAT: Experimental and Synthetic Clinical Optoacoustic Data for Standardized Image Processing [62.993663757843464]
  オプトアコースティック(OA)イメージングは、ナノ秒レーザーパルスによる生体組織の励起と、光吸収による熱弾性膨張によって発生する超音波の検出に基づいている。 OAイメージングは、深部組織における豊富な光学コントラストと高分解能の強力な組み合わせを特徴としている。 臨床環境でのOAの幅広い応用を促進するために、異なるタイプの実験的なセットアップと関連する処理手法で生成される標準化データセットは存在しない。
  論文  参考訳（メタデータ） (2022-06-17T08:11:26Z)
• 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)
• 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。