用于全切片图像中染色迁移的区域引导 CycleGANs
图像与视频处理
2022-08-30 v1 计算机视觉与模式识别
摘要
在全切片成像中，常用的基于苏木精-伊红（H&E）和免疫组化（IHC）染色的染色技术突出了组织形态的不同方面。在检测转移灶时，IHC 提供了一种病理学家易于解读的明确读出。然而，IHC 是一种更昂贵的方法，并非所有医疗中心都具备。因此，利用深度神经网络从 H&E 虚拟生成 IHC 图像成为一种有吸引力的替代方案。诸如 CycleGANs 的深度生成模型学习两个图像域之间语义一致的映射，同时模仿各域的纹理特性，因此适合染色迁移应用。然而，它们完全无监督，且不具备在染色迁移中强制生物一致性的机制。本文中，我们提出一种以感兴趣区域判别器形式对 CycleGANs 的扩展。这使得 CycleGAN 能从非配对数据集中学习，且数据集中还包含部分希望强制一致性的目标标注。我们在全切片图像上展示一个用例，其中 IHC 染色为转移细胞提供实验生成的信号。我们在两个数据集上证明了我们的方法在组织病理学图块染色迁移上优于现有最佳方法。我们的代码和模型可在 https://github.com/jcboyd/miccai2022-roigan 获取。
引用
@article{arxiv.2208.12847,
title = {Region-guided CycleGANs for Stain Transfer in Whole Slide Images},
author = {Joseph Boyd and Irène Villa and Marie-Christine Mathieu and Eric Deutsch and Nikos Paragios and Maria Vakalopoulou and Stergios Christodoulidis},
journal= {arXiv preprint arXiv:2208.12847},
year = {2022}
}