人工智能方法可能会取代组织化学染色
病理学家首先通过染色来观察组织样本。然而，在组织病理学中染色组织样本的标准程序非常耗时，并且需要专门的实验室基础设施、化学试剂和熟练的技术人员。不同实验室和组织学技术人员处理组织染色的不确定性可能导致误诊。此外，当前使用的这些组织化学染色技术无法保存原始组织样本，因为程序的每个步骤对样本都有不可逆的影响。
随着人工智能 (AI) 的进步，研究人员正在使用人工智能技术来改进病理学工作流程。加州大学洛杉矶分校 (UCLA) 最近的一项研究使用深度神经网络对未标记组织的显微图像进行虚拟染色。该研究发表在《智能计算》上。
深度神经网络已被应用于对未标记的组织切片图像进行染色，从而避免了不同的费力和耗时的组织化学染色过程。但是，存在一些瓶颈。“在所有无标记虚拟染色方法中，获取未标记组织切片的焦点图像是必不可少的。总的来说，聚焦是扫描光学显微镜中一个关键但耗时的步骤，”作者说。
最广泛使用的自动对焦方法需要在组织切片区域有多个焦点，对焦精度很高，而最佳焦平面是通过迭代搜索算法确定的，该算法耗时且可能对样品造成光损伤和光漂白。
为了克服这些问题，作者提出了一种新的基于深度学习的快速虚拟染色框架。他们说“该框架使用自动聚焦神经网络(称为 Deep-R)以数字方式重新聚焦散焦的自发荧光图像。然后使用虚拟染色网络将重新聚焦的图像转换为虚拟染色图像。”
与标准虚拟染色框架相比，作者展示的新框架使用更少的焦点，降低了每个焦点的聚焦精度，以获取粗聚焦的组织全玻片自体荧光图像。
这种新的虚拟染色框架可以显着减少自动对焦和整个图像采集过程的时间。作者说，“基于深度学习的框架将无标签整张幻灯片图像 (WSI) 虚拟染色所需的总图像采集时间减少了约 32%，也导致每次自动对焦时间减少了约 89%。组织载玻片。”
尽管与标准虚拟染色框架相比图像清晰度和对比度有所下降，但仍然可以产生高质量的染色，与相应的组织化学染色的地面真实图像密切匹配。此外，该框架还可以用作附加模块，以提高标准虚拟染色框架的鲁棒性。
这种快速的虚拟染色框架在未来会有更多的发展前景。“这种快速的虚拟染色工作流程还可以扩展到许多其他染色，例如马森三色染色、琼斯银染色和免疫组织化学 (IHC) 染色，”作者说。“虽然这里介绍的虚拟染色方法是基于未标记组织切片的自体荧光成像来证明的，但它也可用于加速其他无标记显微镜模式的虚拟染色工作流程。”
版权声明：本文由用户上传，如有侵权请联系删除！