论文阅读：基于深度学习的多组织染色肾皮质组织结构分割技术的开发与评估

Development and evaluation of deeplearning–based segmentation of histologicstructures in the kidney cortex with multiplehistologic stains

一.主要特点：

1.识别多种组织：

肾小球簇、肾小球单位、近端肾小管段、远端肾小管段、管周毛细血管、肾动脉

2.多种染色：

H&E

SIL

PAS

TRI

3.对于不同的组织选择最佳数字放大倍数

二.结论部分：

在不同染色下看肾小球/肾小管/动脉识别情况

结果研究表明，PAS染色最适合使用U-Net模型鉴定结构正常的组织学原始细胞。这可能是因为与TRI或SIL相比，PAS在病理学实验室中的一致性更高。PAS强调了不同结构的基底膜，其内部提供了要分割的每个单一基元边界的更好的定义。因此，PAS是唯一一种用于分割管周毛细血管的染色剂。根据我们的结果，PAS和H&E染色在肾小球簇和单位分割方面表现更好，PAS和TRI在动脉/小动脉方面表现更好，PAS和SIL在肾小管段表现更好，PAS在管周毛细血管方面表现更好。

（a） 选择完整的幻灯片图像（WSI）生成培训、验证和测试数据。

（b） 感兴趣的区域是从原始WSIs中以40 数字放大倍数裁剪出来的。

（c） 病理学家为训练生成标签，并从训练和验证图像（如黑方框所示）中裁剪出包含图像数据和标签信息的256 *256 px（0.24mm/px）大小的patch。

（d） 对于每一条路径，都引入了一种随机数据增强方法，例如

（i）原语的大小变化

（ii）染色变化

（iii）组织变化（例如厚度）

（e） 所有的训练patch都被传递到Pytorch上的U-Net进行训练，并使用验证patch为每个训练生成损失和精度度量，以评估模型性能。最后，选择验证数据损失最小的epoch生成测试结果。