By超神经
场景描述：利用机器学习的方法，对病理学中的组织样本切片显微图像，进行虚拟染色，从而来避免传统染色方法的弊端。辅助医疗人员更便捷的进行诊断。
关键词：CNN，图像处理，医疗辅助
医学上的诊断，有很多是通过图像观察的过程。而提到图像处理，那AI就大有用武之地。
在活体组织切片观察的病理学检查中，需要对样本的极薄切片进行染色，然后用显微镜观察图像以进行病理诊断。这个问题从AI的角度来看，就是一个图片准确上色的问题。
在最近的一项报道中，研究人员通过机器学习的方法，对切片的虚拟染色获得了极高的准确度，基本可以代替人工的染色过程。
传统的组织样本切片染色
组织样本的显微成像是用于诊断各种疾病的基本工具，并且是病理学和生物科学的常用使用方法。
具体的操作就是取下很小一块身体组织，通过对这个样本的处理分析，以达到检查和诊断的目的。
传统的染色方法有严格的过程和操作
取出样本后，要将其切成薄片，其厚度为几个微米（百万分之一米）。这些薄的组织切片在微观尺度上包含了患者状况的信息。
而在标准光学显微镜下，未处理的切片几乎分辨没有区别。只能用染色的方法来增加辨识度，在历经多年的病理学中发展中，医生们创建了很多种组织染色方法。
但组织标本的传统染色过程耗时而且复杂，需要有专门的实验室基础设施，化学试剂以及训练有素的技术人员。
用AI实现数字染色
那么AI是怎么进行染色的呢？
虚拟图像染色利用了机器学习的方法，通过使用之前染色的资料，用深度卷积神经网络（CNN）对样品的单个自发荧光图像进行上色。
在操作时，先对未染色的组织切片，先拍摄出它自发荧光下的显微图像。
然后用生成对抗网络（GAN）训练的CNN，就可以快速的将未标记的组织切自发荧光图像，转换成类似试剂染色的图像。
AI虚拟染色的流程图
这种基于深度学习的方法，完全没有传统步骤的繁琐，通过计算机训练模型，最终输出上色后的图样，能极大的节省成本和时间。
该研究由加州大学洛杉矶分校的研究团队完成，研究成果发表在了NatureBiomedicalEngineering杂志上。
