⚠️ 以下所有内容总结都来自于 大语言模型的能力，如有错误，仅供参考，谨慎使用
🔴 请注意：千万不要用于严肃的学术场景，只能用于论文阅读前的初筛！
💗 如果您觉得我们的项目对您有帮助 ChatPaperFree ，还请您给我们一些鼓励！⭐️ HuggingFace免费体验
2025-08-14 更新
Style transfer between Microscopy and Magnetic Resonance Imaging via Generative Adversarial Network in small sample size settings
Authors:Monika Pytlarz, Adrian Onicas, Alessandro Crimi
Cross-modal augmentation of Magnetic Resonance Imaging (MRI) and microscopic imaging based on the same tissue samples is promising because it can allow histopathological analysis in the absence of an underlying invasive biopsy procedure. Here, we tested a method for generating microscopic histological images from MRI scans of the human corpus callosum using conditional generative adversarial network (cGAN) architecture. To our knowledge, this is the first multimodal translation of the brain MRI to histological volumetric representation of the same sample. The technique was assessed by training paired image translation models taking sets of images from MRI scans and microscopy. The use of cGAN for this purpose is challenging because microscopy images are large in size and typically have low sample availability. The current work demonstrates that the framework reliably synthesizes histology images from MRI scans of corpus callosum, emphasizing the network’s ability to train on high resolution histologies paired with relatively lower-resolution MRI scans. With the ultimate goal of avoiding biopsies, the proposed tool can be used for educational purposes.
跨模态增强磁共振成像（MRI）与基于同一组织样本的显微镜成像很有前景，因为它可以在没有基本的侵入性活检程序的情况下进行组织病理学分析。在这里，我们测试了一种使用条件生成对抗网络（cGAN）架构，根据人类胼胝体的MRI扫描生成显微镜组织学图像的方法。据我们所知，这是将大脑MRI转换为同一样本的组织学体积表示的多模式翻译的首例。该技术通过训练配对图像翻译模型来评估，该模型从MRI扫描和显微镜图像中选取图像集。使用cGAN进行此操作具有挑战性，因为显微镜图像尺寸较大，且通常样本可用性较低。目前的工作证明，该框架能够可靠地合成胼胝体MRI扫描的组织学图像，突出了网络在相对较低的分辨率MRI扫描上训练高分辨组织学图像的能力。以最终避免活检为目标，所提出的工具可用于教学目的。
论文及项目相关链接
PDF 2023 IEEE International Conference on Image Processing (ICIP)
Summary
基于MRI和同一组织样本的显微镜成像的跨模态增强方法前景广阔，因为它可以在无需进行侵入性活检的情况下进行组织病理学分析。本研究尝试使用条件生成对抗网络（cGAN）架构，从人类胼胝体的MRI扫描生成显微镜组织学图像。据了解，这是首次将脑MRI转换为同一样本的组织学体积表示的多模式转换。该技术通过训练配对图像转换模型来评估，该模型采用MRI扫描和显微镜图像集。使用cGAN进行此操作具有挑战性，因为显微镜图像体积大且样本通常稀缺。当前的工作证明该框架能够可靠地从胼胝体的MRI扫描中合成组织学图像，突出了网络在配对的高分辨率组织学上训练的能力，以及与相对较低的分辨率MRI扫描相结合。以最终避免活检为目标，所提出的工具可用于教学目的。
Key Takeaways
- 跨模态增强方法结合了MRI和显微镜成像，使得在无需侵入性活检的情况下进行组织病理学分析成为可能。
- 研究者使用条件生成对抗网络（cGAN）首次实现了将脑MRI转换为同一组织样本的显微镜组织学图像。
- cGAN在此应用中的使用具有挑战性，因为显微镜图像体积大且样本稀缺。
- 研究成功合成胼胝体的MRI扫描对应的组织学图像，展示了cGAN在高分辨率组织学上训练的能力以及与较低分辨率MRI扫描的结合效果。
- 该方法旨在最终避免活检，但当前主要用于教学目的。
- 通过训练配对图像转换模型评估该方法的可行性，这种模型使用了MRI扫描和显微镜图像集。
点此查看论文截图
