使用非配对 GAN 对组织学图像进行可编辑染色转换
Editable Stain Transformation Of Histological Images Using Unpaired GANs
AI总结：
针对 P63 染色损伤组织且成本高的问题，提出兼具可解释性、结构保持与可编辑功能的 xAI-CycleGAN，将 H&E 乳腺组织图像转换为逼真的类 P63 图像。
摘要：
组织病理学中的双重染色，尤其是针对化生性乳腺癌，通常采用 H&E 和 P63 染料。然而，P63 会造成组织损伤且成本高昂，因此需要替代方法。本研究提出 xAI-CycleGAN，这是一种结合 Mask CycleGAN、可解释性特征和结构保持能力的先进架构，用于将 H&E 染色的乳腺组织图像转换为类 P63 图像。该架构支持输出编辑，可增强生成图像与真实图像的相似性，并支持进一步的模型优化。我们展示了 xAI-CycleGAN 在保持结构完整性和生成高质量图像方面的有效性。此外，一项组织病理学家调查表明，生成图像的真实感通常可与真实图像相媲美，验证了本模型输出的高质量。
英文摘要：
Double staining in histopathology, particularly for metaplastic breast cancer, typically employs H&E and P63 dyes. However, P63's tissue damage and high cost necessitate alternative methods. This study introduces xAI-CycleGAN, an advanced architecture combining Mask CycleGAN with explainability features and structure-preserving capabilities for transforming H&E stained breast tissue images into P63-like images. The architecture allows for output editing, enhancing resemblance to actual images and enabling further model refinement. We showcase xAI-CycleGAN's efficacy in maintaining structural integrity and generating high-quality images. Additionally, a histopathologist survey indicates the generated images' realism is often comparable to actual images, validating our model's high-quality output.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
