Virtuell återfärgning av vävnad med hjälp av kaskadkopplade djupa neurala nätverk. Kredit:Ozcan Lab @ UCLA.
Vävnadsbaserad diagnos av sjukdomar bygger på visuell inspektion av biopsierade vävnadsprover av patologer med hjälp av ett optiskt mikroskop. Innan du sätter vävnadsprovet under ett mikroskop för inspektion appliceras speciella kemiska färgämnen på provet för färgning, vilket förbättrar bildkontrasten och ger färg till olika vävnadsbeståndsdelar. Denna kemiska färgningsprocess är mödosam och tidskrävande, utförd av mänskliga experter. I många kliniska fall behöver patologer, förutom den vanligast använda hematoxylin- och eosin- (H&E)-färgningen, ytterligare specialfärger och kemikalier för att förbättra diagnosens noggrannhet. Att använda ytterligare vävnadsfläckar och kemikalier är dock långsamt och resulterar i extra kostnader och förseningar.
I ett nyligen publicerat arbete i ACS Photonics , UCLA-forskare utvecklade en beräkningsmetod som drivs av artificiell intelligens för att praktiskt taget överföra (omfärga) bilder av vävnad som redan färgats med H&E till olika färgtyper utan att använda några kemikalier. Förutom att avsevärt spara tid för experttekniker, kemiska färgningsrelaterade kostnader och giftigt avfall som genereras av histologiska laboratorier, är denna virtuella vävnadsomfärgningsmetod också mer repeterbar än färgningen som utförs av mänskliga tekniker. Dessutom sparar den den biopsierade vävnaden för mer avancerade diagnostiska tester, vilket eliminerar behovet av en andra onödig biopsi.
Tidigare metoder för att utföra virtuell fläcköverföring stod inför ett stort problem:ett vävnadsglas kan färgas en gång med en typ av fläck, och att tvätta bort den befintliga fläcken och sätta en ny kemisk fläck är mycket svårt och praktiseras sällan i kliniska miljöer. Detta gör det mycket utmanande att skaffa ihopparade bilder av olika fläcktyper, vilket är en viktig del av djupinlärningsbaserade bildöversättningsmetoder.
För att lindra detta problem demonstrerade UCLA-teamet ett nytt virtuellt ramverk för fläcköverföring med hjälp av en kaskad av två olika djupa neurala nätverk som arbetar tillsammans. Under träningsprocessen lärde sig det första neurala nätverket att praktiskt taget färga autofluorescensbilder av ofärgade vävnader i H&E-färgning, och det andra neurala nätverket som kaskadkopplas till det första lärde sig att utföra fläcköverföring från H&E till en annan speciell färg (PAS). Denna kaskadformade träningsstrategi gjorde det möjligt för de neurala nätverken att direkt utnyttja histokemiskt färgade bilddata på både H&E- och PAS-färger, vilket hjälpte till att utföra mycket exakta färg-till-färg-transformationer och virtuell återfärgning av befintliga vävnadsobjektglas.
Denna virtuella vävnadsomfärgningsmetod kan appliceras på olika andra specialfärger som används inom histologi och kommer att öppna upp nya möjligheter inom digital patologi och vävnadsbaserad diagnostik.
Denna forskning leddes av Dr. Aydogan Ozcan, kanslersprofessor och Volgenau-ordförande för teknisk innovation vid UCLA Electrical &Computer Engineering and Bioengineering. De andra författarna till detta verk inkluderar Xilin Yang, Bijie Bai, Yijie Zhang, Yuzhu Li, Kevin de Haan och Tairan Liu. Dr. Ozcan har också en fakultetsutnämning på kirurgiavdelningen vid UCLA David Geffen School of Medicine och är biträdande direktör för California NanoSystems Institute (CNSI). + Utforska vidare
