确保深度生成网络在虚拟免疫组化中准确的染色复现

免疫组化是癌症病理学中一种有价值的诊断工具。然而，它需要专门的实验室和设备，耗时且难以复现。因此，一个长期目标是提供一种数字方法来重建物理免疫化学染色。生成对抗网络（GAN）在将一种图像类型映射到另一种图像类型方面已变得极为先进，并已在从苏木精和伊红推断免疫染色方面显示出前景。然而，当用于病理图像时它们有一个显著弱点，即可能伪造原始数据中不存在的结构。CycleGAN可以缓解病理图像映射中虚构的组织结构，但具有生成不准确染色区域的相关倾向。在本文中，我们描述了一种对CycleGAN损失函数的修改，通过强制真实的染色复现同时保留组织结构来改进其对病理图像的映射能力。我们的方法通过在模型训练期间考虑结构和染色而优于其他方法。我们使用Fréchet Inception距离评估了我们的网络，并结合我们提出的一种新技术来评价虚拟免疫组化的准确性。该技术通过颜色反卷积、阈值化和Sorensen-Dice系数评估推断图像与真实图像中每个染色成分的重叠。我们修改后的损失函数得到的虚拟染色的Dice系数为0.78，而真实的AE1/AE3切片为参照。这优于未修改的CycleGAN的0.74得分。此外，我们的损失函数将重建的Fréchet Inception距离从76.47改善至74.54。因此，我们描述了虚拟重染色的一项进展，其可扩展到其他免疫染色和肿瘤类型，并在全球提供可复现、快速且易于获取的免疫组化。