组织学切片的多目标染色归一化
Multi-target stain normalization for histology slides
AI总结：
本文提出一种无需参数的多参考图像染色归一化方法，以提升对染色变异的鲁棒性，并在结直肠细胞核分割实验中验证其对外部数据的泛化能力优于传统单参考方法。
摘要：
传统的染色归一化方法（例如 Macenko）通常依赖于选择单一的代表性参考图像，这可能无法充分适应实际场景中收集的数据集所呈现的多样化染色模式。在本研究中，我们提出了一种利用多个参考图像来增强对染色变异鲁棒性的新方法。我们的方法无需参数，并且可以在不对现有计算病理学流程进行重大改动的情况下被采用。我们通过使用深度学习流程对结直肠图像进行自动细胞核分割的实验来评估所提方法的有效性。我们的结果表明，通过利用多个参考图像，在泛化到外部数据时可以获得更好的结果，而外部数据的染色可能与训练集存在很大差异。
英文摘要：
Traditional staining normalization approaches, e.g. Macenko, typically rely on the choice of a single representative reference image, which may not adequately account for the diverse staining patterns of datasets collected in practical scenarios. In this study, we introduce a novel approach that leverages multiple reference images to enhance robustness against stain variation. Our method is parameter-free and can be adopted in existing computational pathology pipelines with no significant changes. We evaluate the effectiveness of our method through experiments using a deep-learning pipeline for automatic nuclei segmentation on colorectal images. Our results show that by leveraging multiple reference images, better results can be achieved when generalizing to external data, where the staining can widely differ from the training set.
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。
