組織病理學檢查，作為研究組織結構病理變化的黃金標準，對疾病診斷有著無法取代的重要作用。通過光學顯微鏡對載玻片上染色的薄組織切片進行觀察，病理專家能準確搜尋到組織病變的關鍵特征，并依此對疾病進行診斷和分級。然而，制備染色切片的繁復流程會極大限制醫(yī)生的診斷效率，這導致術中的病理評估往往不能兼顧速度與質量。為解決此問題，研究者們發(fā)展了新興的虛擬染色成像技術［1］，旨在省略傳統(tǒng)染色切片的制備流程，轉而借助無標記顯微技術和深度學習來獲取同樣的染色切片圖像，以滿足術中實時病理診斷的需求。

虛擬染色技術初期以顏色映射方法為主，通過構建一個像素到像素的映射，將每個像素收集到的非線性信號強度值轉化為對應染劑的RGB顏色值。這種方法簡單快捷，但忽略了圖像內部的紋理信息，構建的偽染色圖像質量遠遠落后于真染色切片，對于H＆E之外的染劑尤為如此�，F(xiàn)今，得益于計算機硬件的發(fā)展，深度神經網絡等人工智能概念被廣泛應用到虛擬染色技術中。不同于顏色映射方法，深度的卷積神經網絡能感知到圖像整體的結構和脈絡，常用于處理各種困難的機器視覺任務。

基于深度學習的虛擬染色技術需要事先獲取用以訓練網絡的樣本。組織樣品的無標記自熒光圖像作為輸入，隨后制備的染色切片的明場圖像作為期望的輸出。此神經網絡的具體訓練流程如圖1所示，首先，為了準確匹配輸入和輸出，大量的圖像配準工作是必不可少的。通過對明場圖像平移，旋轉和放縮，可以得到粗略的剛性配準圖像。然后，使用剛性配準圖像初步訓練出粗略的虛擬染色圖像，并將其用于更精確的彈性配準。最后，將彈性配準圖像用于最終神經網絡或對抗網絡的訓練，便可確保網絡生成清晰且準確匹配組織化學染色分布的圖像，如圖2所示。

圖1 用于虛擬染色的深度學習網絡訓練流程圖

圖2 虛擬H＆E染色圖像與對應的傳統(tǒng)組織病理學H＆E圖像

除了實時而精確的病理診斷，基于深度學習的虛擬染色技術還會帶來許多額外的優(yōu)勢。比如，這種技術允許從同一切片生成多種虛擬染色劑，以便更好地突出相關診斷的不同特征。如圖3所示，無標記組織的同一部分被H＆E、馬森三色、瓊斯三種染劑虛擬染色，病理學家從中能很方便地整合腎小管間質的信息：H＆E染色能顯示腎小管間質炎癥，馬森三色可揭示間質的纖維化，而瓊斯染劑更善于顯現(xiàn)腎小管萎縮。除非反復清洗原有染劑并重新染色相同的樣本，傳統(tǒng)的組織病理學完全不能實現(xiàn)類似的功能。此外，如圖4所示，相較于技術人員參差不齊的人工染色技術，深度神經網絡始終會執(zhí)行風格完全一致的染色，這將方便病理學家對染色圖像進行標準化。

圖3 同一組織切片的不同虛擬染色圖像：H＆E，馬森三色，瓊斯染色。

圖4 基于技術人員的傳統(tǒng)染色圖像和基于神經網絡的虛擬染色圖像的風格變化

綜上所述，虛擬染色技術不僅能顯著減少病理評估的工作流程和實驗室運營成本，還支持少量組織材料的多染色并行處理，使病理專家和臨床醫(yī)生得以更快速地制訂治療方案并大幅縮短治療時間。伴隨著大規(guī)模的臨床試驗，該技術勢必將作為組織病理學診斷的新途徑，不斷推動著病理學的數(shù)字化進程。

參考文獻：

［1］ Y． Rivenson， K． de Haan， W． D． Wallace， A． Ozcan． Emerging Advances to Transform Histopathology Using Virtual Staining． BME Frontiers 2020， 1–11 （2020）．

       原文標題 : 多光子顯微鏡成像技術之十八 虛擬染色成像技術