在组织病理学中，通过显微镜研究组织以明确和诊断病理，染色剂是不可或缺的工具。简而言之，染色剂是一种经由全心挑选或配制的化学物质，能够附着在特定的细胞因素上。在显微镜下视察时，它们通过改变视察到的颜色，来资助研究职员更清晰地区分细胞结构。
描绘正常和病变组织染色图像的数据集关于训练机械学习模子很是有价值，这些模子能够资助医生评估疑难病例并镌汰诊断历程中的小我私家私见。为了确保这些模子的有用性，必需只管镌汰训练图像与现实剖析图像之间的颜色差别。通过使用“域顺应手艺”，可以校正因差别实验室的奇异实验条件所导致的颜色差别，从而天生越发一致且具有可比性的数据。
在最近揭晓在《医学影像杂志》（Journal of Medical Imaging, JMI）上的一项研究中，来自美国北卡罗来纳大学教堂山分校的研究职员提出了一种新颖的域顺应手艺。该要领被称为“染色同时增强与标准化”（Stain SAN），旨在使染色的组织病理图像数据集更适用于种种新兴的基于机械学习的分类系统，最终改善诊断工具的性能。
Stain SAN 包括三个主要办法，即染色提取、颜色顺应和强度顺应。在第一步中，原始染色图像被剖析为两个矩阵的乘积：一个包括颜色信息，另一个包括每个像素的光强信息。在顺应办法中，通过统计要领对颜色矩阵中的颜色漫衍举行调解，参考训练图像，确保调解后的颜色切合目的漫衍。最后，在图像重修之前，对强度矩阵举行随机扰动，从而增添染色领域的多样性。
图片链接：https://www.eurekalert.org/multimedia/1039195
图片信息：由染色 SAN（底行）处置惩罚的组织图像数据集实现的颜色漫衍比使用其他手艺处置惩罚的组织图像数据集更一致。在训练基于机械学习的系统时，这种一致性至关主要。
“Stain SAN 的主要优点在于它团结了以往染色顺应要领的优点，同时战胜了这些要领的固有缺陷，”该研究的首席研究员Taebin Kim 博士诠释道。他进一步指出：“其他常用的手艺，如染色归一化、染色增强和染色混淆，可以明确为 Stain SAN 的特殊应用。”
研究职员使用来自果真数据集中的组织病理图像，对他们的要领举行了定性和定量的测试。凭证他们的视察以及一位病理学专家的反响，研究职员发明，使用 Stain SAN 处置惩罚后的图像数据集颜色更为一致，染色领域越发协调。别的，Stain SAN 增强了每个细胞中细胞核与细胞质之间的比照度，并突出显示了正常与非正常病理组织之间的差别。
研究团队还使用差别域顺应手艺处置惩罚后的数据集，训练了基于机械学习的分类器，并在另一个数据集上测试了它们的性能。令人兴奋的是，Stain SAN 在所有要领中体现最优，准确性显着更高。Kim博士谈论道：“sunbet效果清晰地显示了这些要领在生长历程中的刷新，最终 Stain SAN 带来了显著的提升。”但这还不是所有，他还增补道：“别的，我们证实晰 Stain SAN 在不需要为染色顺应举行单独训练，或在训练历程中会见目的领域的情形下，能够取得与先进的基于深度学习的要领相媲美的效果，而这在临床实践中是不切现实的。这突显了 Stain SAN 的有用性和盘算效率。”
开发像 Stain SAN 这样的高效领域顺应手艺，关于弥合机械学习系统与其在生命科学领域应用之间的差别至关主要。研究团队已妄想对他们的要领举行进一步优化，并使用其他数据集举行测试。Kim博士总结道：“sunbet研究效果批注，Stain SAN 是一种在组织病理学图像中顺应染色领域的强概略领，有助于推进该领域的盘算使命。”他对未来充满信心。他们的起劲将为更准确和便捷的诊断协议铺平蹊径。
杂志：Journal of Medical Imaging
DOI：10.1117/1.JMI.11.4.044006
