Effective Immunohistochemistry Pathology Microscopy Image Generation Using CycleGAN.
Effective Immunohistochemistry Pathology Microscopy Image Generation Using CycleGAN.
复制标题
使用 CycleGAN 生成有效的免疫组织化学病理学显微镜图像
DOI：
10.3389/fmolb.2020.571180
复制
发表时间：
2020
影响因子：
5
通讯作者：
Chen Y
中科院分区：
文献类型：
--
作者：
Xu Z;Li X;Zhu X;Chen L;He Y;Chen Y
免疫组织化学检测技术仅通过苏木精-伊红染色的病理显微镜图像就能检测到比常规病理检测技术更难检测到的肿瘤，例如神经内分泌肿瘤检测。然而，制作免疫组织化学病理显微镜图像需要花费大量的时间和金钱。在本文中，我们提出了一种有效的免疫组织化学病理显微图像生成方法，可以在不加任何注释的情况下，从苏木精-伊红染色的病理显微图像生成合成的免疫组织化学病理显微图像。采用CycleGAN作为未配对和未注释数据集的基本架构。此外，多实例学习算法和条件GAN背后的思想被认为可以提高性能。据我们所知，这是第一次尝试生成免疫组织化学病理显微图像，我们的方法可以取得很好的效果，在临床应用时将对病理学家和患者非常有用。
Immunohistochemistry detection technology is able to detect more difficult tumors than regular pathology detection technology only with hematoxylin-eosin stained pathology microscopy images, – for example, neuroendocrine tumor detection. However, making immunohistochemistry pathology microscopy images costs much time and money. In this paper, we propose an effective immunohistochemistry pathology microscopic image-generation method that can generate synthetic immunohistochemistry pathology microscopic images from hematoxylin-eosin stained pathology microscopy images without any annotation. CycleGAN is adopted as the basic architecture for the unpaired and unannotated dataset. Moreover, multiple instances learning algorithms and the idea behind conditional GAN are considered to improve performance. To our knowledge, this is the first attempt to generate immunohistochemistry pathology microscopic images, and our method can achieve good performance, which will be very useful for pathologists and patients when applied in clinical practice.
登录
查看更多内容
影响因子：
6
作者：
Frid-Adar, Maayan;Diamant, Idit;Greenspan, Hayit
通讯作者：
Greenspan, Hayit
DOI：
10.1007/978-3-319-66179-7_48
发表时间：
2017-09
期刊：
Medical image computing and computer-assisted intervention : MICCAI ... International Conference on Medical Image Computing and Computer-Assisted Intervention
影响因子：
--
作者：
Nie D;Trullo R;Lian J;Petitjean C;Ruan S;Wang Q;Shen D
通讯作者：
Shen D
影响因子：
10.6
作者：
Mahmood, Faisal;Chen, Richard;Durr, Nicholas J.
通讯作者：
Durr, Nicholas J.
影响因子：
22.7
作者：
Goodfellow, Ian;Pouget-Abadie, Jean;Bengio, Yoshua
通讯作者：
Bengio, Yoshua
影响因子：
82.9
作者：
Campanella, Gabriele;Hanna, Matthew G.;Fuchs, Thomas J.
通讯作者：
Fuchs, Thomas J.