PhaseStain: die digitale Färbung von label-freien quantitativen Phasenmikroskopie-Bildern mittels Deep Learning

Mit einem tiefen neuronalen Netzwerk demonstrieren wir eine digitale Färbetechnik, die wir PhaseStain nennen, um die quantitativen Phasenbilder (QPI) von label-freien Gewebeschnitten in Bilder zu transformieren, die den Hellfeldmikroskopie-Bildern derselben Proben entsprechen, die histologisch gefärbt sind. Durch Paare von Bilddaten (QPI und den entsprechenden Hellfeldbildern, die nach der Färbung aufgenommen wurden), trainieren wir ein generatives kontradiktorisches Netzwerk und demonstrieren die Effektivität dieses virtuellen Färbeansatzes anhand von Schnitten menschlicher Haut-, Nieren- und Lebergewebe und vergleichen sie mit den Hellfeldmikroskopie-Bildern derselben Proben, die mit Hämatoxylin und Eosin, Jones'-Färbung und Massons Trichromfärbung gefärbt wurden. Dieses digitale Färbe-Framework könnte verschiedene Anwendungen von label-freien QPI-Techniken in der Pathologie und der biomedizinischen Forschung im Allgemeinen weiter stärken, indem es die Notwendigkeit histologischer Färbungen eliminiert, die mit der Probenvorbereitung verbundenen Kosten senkt und Zeit spart. Unsere Ergebnisse bieten ein kraftvolles Beispiel für einige der einzigartigen Möglichkeiten, die durch datengetriebene Bildtransformationen geschaffen werden, die durch Deep Learning ermöglicht werden.