组织病理学是对标本进行显微成像,是病理诊断的常规工具。组织病理学和生命科学研究使用彩色染料或荧光标记进行组织化学染色,以可视化组织和细胞结构。特别是,苏木精和伊红 (H&E) 染色是组织病理学中显微镜组织检查的黄金标准。然而,传统的染色载玻片制备,既费力又容易出错,而随着需要病理检查的项目数量增加,必须制作额外的载玻片进行染色,但样本量不足可能会导致诊断不准确。为了解决这个问题,人们利用无标记成像和基于深度学习的组织学图像分析(HIA) 根据内在成像对比度突出肿瘤学特征。然而,传统的单模态技术在临床环境中仍然不足。
近日,韩国浦项科技大学(POSTECH)的Chiho Yoon等人提出了基于深度学习的自动化组织图像分析框架,可用于无标记光声组织学 (PAH) 中对人体标本进行自动虚拟染色、分割和分类。该框架由三个部分组成:(1) 用于虚拟 H&E (VHE) 染色的可解释对比非配对翻译 (E-CUT) 方法,(2) 用于特征分割的 U-net 架构,以及 (3) 用于分类的基于深度学习的逐步特征融合方法 (StepFF)。
该框架在应用于人类肝癌的每个步骤中都表现出色。在虚拟染色中,E-CUT 保留了细胞核和细胞质的形态特征,使 VHE 图像与真实 H&E 图像高度相似。在分割中,已成功分割出 VHE 图像中的各种特征(例如细胞面积、细胞数量和细胞核之间的距离)。最后,通过使用来自 PAH、VHE 和分割图像的深度特征向量,StepFF 实现了 98.00% 的分类准确率,而传统 PAH 分类的准确率为 94.80%。特别是,根据三位病理学家的评估,StepFF 的分类灵敏度达到 100%,证明了其在实际临床环境中的适用性。
该成果发表在《Light: Science & Applications》上,题为“Deep learning-based virtual staining, segmentation, and classification in label-free photoacoustic histology of human specimens”。浦项科技大学的Chiho Yoon为论文第一作者。
图1. 基于深度学习的自动化 HIA 框架,可对无标签 PAH 进行虚拟染色、分割和分类。
创新与亮点
图2. 整体虚拟染色网络架构和结果。
虽然所提出的框架将无标签图像转换为 H&E 风格并提供诊断建议,但仍需要改进以进行更好的分析。
Yoon, C., Park, E., Misra, S. et al. Deep learning-based virtual staining, segmentation, and classification in label-free photoacoustic histology of human specimens. Light Sci Appl 13, 226 (2024).
https://doi.org/10.1038/s41377-024-01554-7
如下数据来自Web of Science,Light: Science & Applications的高被引文章数量在国内同类期刊中稳居领军地位。截至目前:
超过200次引用的文章有135篇
超过100次引用的文章有335篇
超过50次引用的文章有664篇
欢迎课题组投宣传稿
请扫码联系值班编辑
👇 关注我 👇