用于光子吸收遥感图像虚拟组织学染色的多通道特征提取

准确快速的组织学染色在组织病理学中是至关重要的，影响诊断的精度与可靠性。传统染色方法耗时且有主观性，导致诊断延迟。数字病理学在推进和优化组织学流程以提高效率并缩短周转时间方面发挥着重要作用。本研究引入了一种基于深度学习的新框架，利用光子吸收遥感（PARS）图像进行虚拟组织学染色。通过使用K-means方法的一种变体从PARS时间分辨信号中提取特征，捕获了有价值的多模态信息。所提出的多通道cycleGAN（MC-GAN）模型扩展了传统的cycleGAN框架，允许纳入额外特征。实验结果表明，特定特征组合通过在模型训练前改善组织结构的标注，优于常规通道。应用于人体皮肤和小鼠脑组织，结果强调了选择最优特征组合的重要性，因为它揭示了虚拟染色与金标准化学染色的苏木精和伊红（H&E）图像之间的显著视觉与定量一致性，超越了其他特征组合的性能。准确的虚拟染色对于可靠的诊断信息具有价值，可辅助病理学家进行疾病分类、分级和治疗规划。本研究旨在推进无标记组织学成像，并为术中显微镜应用打开大门。