面向虚拟多染色的可扩展可信生成模型：基于H&E全切片图像
图像与视频处理
2024-07-02 v1 计算机视觉与模式识别
摘要
化学染色方法可靠但需要大量时间、昂贵的试剂，并引发环境问题。这些挑战凸显了诸如虚拟染色等替代解决方案的需求，这些解决方案加快了诊断流程并增强了染色灵活性。生成式AI技术在解决这些问题方面起着关键作用。然而，由于其不透明的过程，尤其是在计算病理学中面对高风险医疗决策，导致了这些工具的采纳。我们的工作引入了用于虚拟染色的生成式AI，以提升性能、可信度、可扩展性和适应性。该方法的核心是单一的H&E编码器支持多个染色解码器。该设计聚焦于H&E潜在空间的关键区域，实现精确的合成染色生成。我们的方法通过测试生成来自单个H&E切片的8种不同染色，提供可扩展性，可在生产中仅加载必要的模型组件。我们整合了无标签知识进行训练，使用损失函数和正则化来最小化伪影，从而提高了配对/非配对虚拟染色的准确性。为建立可信度，我们使用每个染色类型的判别器进行实时自检，为病理学家提供置信热图。对新H&E切片进行自动质量检查，确保符合训练分布，确保准确的合成染色。鉴于病理学家对新技术的挑战，我们开发了一个开源、基于云的系统，允许通过浏览器轻松完成H&E切片的虚拟染色，解决硬件/软件问题，促进实时用户反馈。我们还策划了一个新的数据集，包含与儿童克隆氏病相关的8种配对H&E/染色，共480个WSI，以进一步刺激计算病理学研究。
引用
@article{arxiv.2407.00098,
title = {Scalable, Trustworthy Generative Model for Virtual Multi-Staining from H&E Whole Slide Images},
author = {Mehdi Ounissi and Ilias Sarbout and Jean-Pierre Hugot and Christine Martinez-Vinson and Dominique Berrebi and Daniel Racoceanu},
journal= {arXiv preprint arXiv:2407.00098},
year = {2024}
}