作者单位
摘要
上海理工大学 光电信息与计算机工程学院,上海 200093
细胞显微成像是生物学研究中进行细胞表型检测、获取细胞特征信息的重要手段。传统荧光成像技术是目前主要的细胞成像手段,但是荧光成像系统结构复杂、成本较高,而且特异性染色会对细胞造成损伤。针对此问题,研究了一种虚拟染色技术,使用多模态配准算法执行严格配准明场和荧光图像数据集,改进网络架构、损失函数、后处理、硬件适应性用于训练优化,并且通过虚拟染色评价标准对染色转换偏差进行验证。该方法可以降低荧光成像对荧光成像设备的依赖,无需各种复杂的染色操作,将会减轻生物研究、病理分析、疾病诊断流程的负担。
深度学习 细胞成像 虚拟染色 deep learning cellular imaging virtual staining 
光学仪器
2023, 45(1): 18
付娆 1,2方宇 1,2杨勇 4向东 1,2吴晓静 3,*
作者单位
摘要
1 南开大学现代光学研究所,天津 300350
2 天津市微尺度光学信息技术科学重点实验室,天津 300350
3 天津市人民医院,天津 300121
4 之江实验室智能感知研究院,浙江 杭州 310013
提出了一种利用循环生成对抗网络实现由大视场、低分辨率染色图像生成与之相匹配的高分辨率虚拟染色图像的方法,在完成了对细胞虚拟染色的同时,解决了传统光学显微镜的大视场与高分辨率两个目标无法同时满足的问题。首先,进行了理论验证,通过对选定图像的分辨率分级缩放模拟实际分辨率变化,训练对应的算法模型并与真实图像相比较,结果在主观与客观上均符合设想预期。在完成理论验证的基础上,分别进行了由10倍、4倍低分辨率真实染色图像生成25倍高分辨率虚拟染色图像的实验。通过主观视觉与客观评价指标进行评价,得到结构相似性、峰值信噪比和归一化均方根误差三个指标的具体数据。结果显示,通过循环生成对抗网络生成的虚拟染色图像与真实染色图像间的相似度较高,虚拟生成效果很好。
显微 光学显微镜 大视场 高分辨率 循环生成对抗网络 虚拟染色 细胞 
光学学报
2023, 43(5): 0518002
作者单位
摘要
华南师范大学生物光子学研究院,广州 510631
深度学习使辅助诊断的软件能够更积极有效地开发和应用,但是组织病理学图像的颜色变化降低了这些算法的性能。染色归一化可以解决扫描仪效应、不同的染色方法、患者的疾病状态、染色时间等因素产生的图像异质性。虚拟染色可以摆脱载玻片染色,减少载玻片的制备步骤,为临床缩短样本的制备时间,节省大量的成本。在缺乏注释训练数据的情况下,病理图像数据增强可用于创建具有纹理和颜色、样式逼真的人工样本来促进网络训练。本文就组织学病理图像在深度学习病理分析中染色处理的染色归一化、虚拟染色和数据增强等方面展开综述,为组织学病理图像在临床上的应用和研究提供参考。
组织学病理图像 染色归一化 虚拟染色 数据增强 深度学习 histological pathology images staining normalization virtual staining data enhancement deep learning 
激光生物学报
2022, 31(6): 481

关于本站 Cookie 的使用提示

中国光学期刊网使用基于 cookie 的技术来更好地为您提供各项服务,点击此处了解我们的隐私策略。 如您需继续使用本网站,请您授权我们使用本地 cookie 来保存部分信息。
全站搜索
您最值得信赖的光电行业旗舰网络服务平台!