人工智能方法可能取代组织化学染色
![The diagram of the training and testing schemes for the defocused image virtual staining framework. (a) Training of the standard in-focus image virtual staining network. Aligned pairs of in-focus autofluorescence images captured before the histochemical staining process and the brightfield images of the same tissue sections after the histochemical staining are used. (b) Training of the autofocusing network (Deep-R). Autofluorescence images (defocused) were randomly picked from z-stacks (ranging from -2 μm to 2 μm) as the network inputs. The network target is the corresponding in-focus autofluorescence image. (c) Testing of the defocused image virtual staining framework. Credit: Intelligent Computing (2022). DOI: 10.34133/2022/9818965 人工智能方法可能取代组织化学染色](https://scx1.b-cdn.net/csz/news/800a/2022/artificial-intelligenc-77.jpg)
病理学家通过染色观察组织样本。然而,在组织病理学染色组织样本的标准程序耗时,需要专门的实验室基础设施,化学试剂,和熟练的技术人员。不确定性处理的组织染色不同的实验室和组织学技术人员可能导致误诊。此外,原始组织样本不保存这些组织化学染色技术目前在使用,因为每一步过程的不可逆对样品的影响。
人工智能(AI)的发展,研究人员利用人工智能技术来提高病理学工作流。最近的一项研究从加州大学洛杉矶分校使用深神经网络几乎染色显微图像标记的组织。这项研究发表在智能计算。
深层神经网络已经应用于染色标记组织切片图像,避免不同费力而耗时的组织化学染色过程。然而,有一些瓶颈。“在所有label-free虚拟染色方法,无标号的收购持有焦点的图像是至关重要的组织部分。一般来说,重点是一个关键但耗时的步骤在扫描光学显微镜,”作者说。
应用最广泛的自动对焦方法要求许多焦点组织滑动区域聚焦精度高,最好的焦平面是由迭代搜索算法,这是费时,可能引入photodamage和样品光漂白。
为了克服这些问题,作者提出了一种新的基于深度学习快速虚拟染色框架。他们说,“这个框架使用一个神经网络的自动对焦(称为Deep-R)数字重新散焦自体荧光图像。然后使用虚拟染色网络几乎重新图像转换成彩色图像”。
虚拟染色标准框架相比,新框架展示了作者使用更少焦点,减少了每个焦点聚焦精度获得coarsely-focused整个幻灯片的组织自体荧光图像。
这个新的虚拟染色框架可以显著降低自动对焦的时候,整个图像采集过程。作者说,“深上优于框架减少虚拟染色所需的总图像采集时间的label-free整个幻灯片图片(WSI) ~ 32%,下降也导致~ 89%每个组织的自动对焦时间滑。”
尽管损失的图像清晰度和对比度与虚拟染色标准框架相比,仍然可以产生高质量的染色、密切匹配相应的组织化学地彩色地面实况图像。此外,也可以使用这个框架作为一个附加模块来提高虚拟染色标准框架的鲁棒性。
这个快速虚拟染色框架在未来将会有更多的发展前景。“这快速虚拟染色流程也可以扩展到其他许多污渍,如马森的三色的染色,琼斯的银染色和免疫组织化学(包含IHC)污渍,”作者说。“虽然这里给出的虚拟染色方法演示了基于标记的自体荧光成像组织部分,它也可以用来加快其他label-free显微镜的虚拟染色工作流模式。”
更多信息:杰出Zhang et al,虚拟染色的散焦的自体荧光图像标记使用深层神经网络组织,智能计算(2022)。DOI: 10.34133 / 2022/9818965