【论文笔记】《Virtual histological staining of unlabelled tissueautofluorescence images via deep learning》

摘要

使用生成性对抗网络模型训练的卷积神经网络，将未标记组织切片的宽场自体荧光图像，转换为相同样本的组织学染色版本的亮场图像。这些图像和标准组织学染色进行了盲对照，并涉及不同类型的染色，结果显示没有重大不一致。

背景

临床上确定组织切片的金标准图像是一个艰苦的过程，要使用多种试剂，并对组织产生不可逆转的影响。最近有人尝试使用不同的成像模式来改变这一工作流程，这将依赖光谱学的研究。病理学家和肿瘤分类软件包通常经过培训，用于检查组织染色的组织样本，出于这一原因，上述一些技术也得到了增强，以创建假苏木精和伊红（H&E）图像。

本文干的事如下图所示：

我们通过对包括唾液腺、甲状腺、肾脏、肝脏和肺在内的无标记人体组织样本进行成像，展示了这种基于深度学习的虚拟组织学染色方法。网络输出生成的等效图像与使用三种不同染色剂标记的相同样本的图像非常匹配，即H&E（唾液腺和甲状腺）、琼斯染色剂（肾脏）和马森三色染色剂（肝脏和肺）。病理学家能够在我们的虚拟染色技术生成的图像中识别组织病理学特征，并与相同样本的组织病理学染色图像高度一致。

结果

【组织样本的虚拟染色】作者展示了唾液腺的HE、肾癌的JS、肝癌的染色结果。这些结果表明，深层网络可以从无标签样本的单一自体荧光图像中推断不同组织类型所用的不同类型组织学染色方法的染色模式。由表1可看出，4个病理专家均对