人工智能方法可能取代组织化学染色
![The diagram of the training and testing schemes for the defocused image virtual staining framework. (a) Training of the standard in-focus image virtual staining network. Aligned pairs of in-focus autofluorescence images captured before the histochemical staining process and the brightfield images of the same tissue sections after the histochemical staining are used. (b) Training of the autofocusing network (Deep-R). Autofluorescence images (defocused) were randomly picked from z-stacks (ranging from -2 μm to 2 μm) as the network inputs. The network target is the corresponding in-focus autofluorescence image. (c) Testing of the defocused image virtual staining framework. Credit: Intelligent Computing (2022). DOI: 10.34133/2022/9818965 人工智能方法可能取代组织化学染色](https://scx1.b-cdn.net/csz/news/800a/2022/artificial-intelligenc-77.jpg)
病理学家首先通过染色来观察组织样本。然而,组织病理学中组织样本染色的标准程序是耗时的,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在处理组织染色时的不确定性可能导致误诊。此外,目前使用的这些组织化学染色技术并不能保存原始组织样本,因为每一步都对样本有不可逆的影响。
随着人工智能的发展,研究人员正在利用人工智能技术来改善病理工作流程。加州大学洛杉矶分校(UCLA)最近的一项研究使用了深度神经网络对未标记组织的显微图像进行染色。这项研究发表在智能计算.
深度神经网络已经被应用于未标记的组织切片图像染色,避免了不同的费时费力的组织化学染色过程。然而,也存在一些瓶颈。“在所有无标记虚拟染色方法中,获取未标记组织切片的聚焦图像是必不可少的。一般来说,聚焦在扫描光学显微镜中是一个关键但耗时的步骤,”作者说。
目前应用最广泛的自动聚焦方法要求在组织切片区域内有很多聚焦点,且聚焦精度高,最佳焦平面由迭代搜索算法确定,耗时较长,且可能对样品产生光损伤和光漂白。
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:“这个框架使用了一个自动聚焦神经网络(称为Deep-R)来对离焦的自动荧光图像进行数字重新聚焦。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。”
与标准的虚拟染色框架相比,作者展示的新框架使用更少焦点并降低每个焦点的聚焦精度,以获得粗糙聚焦的组织整片自体荧光图像。
这种新的虚拟染色框架可以显著减少自动聚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的整个幻灯片图像(WSI)的虚拟染色所需的总图像采集时间减少了约32%,也导致每张组织幻灯片的自动聚焦时间减少了约89%。”
尽管与标准的虚拟染色框架相比,图像的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真实地面图像非常接近。此外,该框架还可以作为附加模块使用,以提高标准虚拟染色框架的鲁棒性。
快速虚拟染色框架未来将有更大的发展前景。作者说:“这种快速的虚拟染色工作流程也可以扩展到许多其他染色,如马森三色染色、琼斯银染色和免疫组化染色。”“虽然这里提出的虚拟染色方法是基于未标记的自体荧光成像组织切片,它也可以用来加快其他无标签显微镜模式的虚拟染色工作流程。”
更多信息:张义杰等,基于深度神经网络的离焦自体荧光图像虚拟染色,智能计算(2022)。DOI: 10.34133 / 2022/9818965