In istopatologia, le sezioni di tessuto vengono generalmente colorate utilizzando i comuni H&E
colorazione o macchie speciali (MA, NON, BANDA, ecc.) per visualizzare chiaramente specifico
strutture tissutali. Il rapido progresso del deep learning offre un approccio efficace
soluzione per generare immagini virtualmente colorate, riducendo significativamente il
tempo e costi di manodopera associati alla colorazione istochimica tradizionale.
Tuttavia, una nuova sfida si pone nel separare la visione fondamentale
caratteristiche delle sezioni di tessuto dalle differenze visive indotte da
agenti coloranti. Inoltre, la colorazione virtuale spesso trascura l'essenziale
conoscenze patologiche e proprietà fisiche della colorazione, con il risultato di
solo trasferimento a livello di stile. Per affrontare questi problemi, presentiamo, per il primo
tempo nelle attività di colorazione virtuale, un grande modello patologico di visione-linguaggio
(VLM) come strumento ausiliario. Integriamo suggerimenti di apprendimento contrastivi,
ancoraggi concettuali fondamentali per sezioni di tessuto, e concetto specifico della colorazione
ancore per sfruttare la vasta conoscenza del VLM patologico. Questo
approccio è progettato per descrivere, telaio, e migliorare la direzione del virtuale
colorazione. Inoltre, abbiamo sviluppato un metodo di aumento dei dati basato su
i vincoli del VLM. Questo metodo utilizza la potente immagine del VLM
capacità di interpretazione per integrare ulteriormente lo stile dell'immagine e quello strutturale
informazioni, rivelandosi utile nella diagnostica patologica di alta precisione.
Ampie valutazioni sulla colorazione spaiata multidominio disponibile al pubblico
i set di dati dimostrano che il nostro metodo può generare immagini altamente realistiche e
migliorare la precisione delle attività a valle, come il rilevamento glomerulare e
segmentazione. Il nostro codice è disponibile su:
https://github.com/CZZZZZZZZZZZZZZZZZZ/VPGAN-HARBOR

Questo articolo esplora i giri e le loro implicazioni.

Scarica PDF: