Key points are not available for this paper at this time.
Histologische Gewebeschnitte, gefärbt mit Hämatoxylin und Eosin (H&E), gelten als der Goldstandard für die pathologische Erkennung von Krebs, die Erkennung von Tumorrändern und die Diagnose von Krankheiten. Die Herstellung von H&E-Schnitten ist jedoch invasiv und zeitaufwändig. Während Deep Learning vielversprechende Ergebnisse bei der virtuellen Färbung von ungefertigten Gewebeschnitten gezeigt hat, erfordert eine echte virtuelle Biopsie die Färbung von Bildern, die aus intaktem Gewebe aufgenommen wurden. In dieser Arbeit entwickelten wir eine Mikron-genaue KoRegistrierungsmethode der mikro-registrierten optischen Kohärenztomographie (OCT), die einen zweidimensionalen (2D) H&E-Schnitt nehmen und den genau entsprechenden Abschnitt in einem 3D-OCT-Bild aus dem ursprünglichen frischen Gewebe finden kann. Wir trainierten ein bedingtes generatives adversariales Netzwerk mit dem gepaarten Datensatz und zeigten eine hochfidele Umwandlung nichtinvasiver OCT-Bilder in virtuell gefärbte H&E-Schnitte in 2D und 3D. Die Anwendung dieser trainierten neuronalen Netzwerke auf in vivo OCT-Bilder sollte es Ärzten ermöglichen, OCT-Bilder problemlos in ihre klinische Praxis zu integrieren und die Anzahl unnötiger Biopsieverfahren zu reduzieren.
Winetraub et al. (Wed,) untersuchten diese Frage.