نرمال ‌سازی رنگ تصاویر بافت ‌آسیب ‌شناسی با استفاده از شبکه‌های مولد تخاصمی شرطی

تشخیص سرطان عمدتاً توسط تجزیه و تحلیل بصری آسیب ‌شناس، با بررسی مورفولوژی برش‌های بافت تحت میکروسکوپ انجام می‌شود. اگر تصویر میکروسکوپی یک نمونه رنگ‌آمیزی نشود بدون رنگ و بافت به نظر می‌رسد، بنابراین برای ایجاد کنتراست و شناسایی اجزای خاص بافت، نمونه‌ها به رنگ‌آمیزی شیمیایی نیاز دارند. در حین آماده‌سازی بافت، با توجه به ترکیبات شیمیایی گوناگون، اسکنرهای متنوع و تنوع در انواع بیمارها، بافت‌های مشابه معمولاً در ظاهر متفاوت هستند. این تنوع بالا در رنگ‌آمیزی علاوه بر اختلاف تفسیری در بین آسیب‌شناسان، یکی از چالش‌های اصلی در طراحی سیستم‌های قدرتمند و انعطاف‌پذیر برای تجزیه و تحلیل خودکار است. استراتژی‌های مختلفی از نرمال‌سازی رنگ به‌عنوان یک مرحله پیش‌پردازش در خط لوله سیستم‌های خودکار پیشنهاد شده است. روشpix2pix  که برگرفته شده از شبکه‌های مولد تخاصمی شرطی(cgan)  می‌باشد، یکی از روش‌های قدرتمند و با توانمندی بالا برای حل مسائل انتقال تصویر به تصویر است. نوآوری اصلی این مقاله ارائه‌ی یک روش جدید و قدرتمند برای نرمال‌سازی رنگ تصاویر بافت‌آسیب شناسی با استفاده از روش pix2pix است که با استفاده از مجموعه داده mitos-atypia14 پیاده‌سازی و ارزیابی شده است. در روش پیشنهادی تصاویر در مقیاس خاکستری به‌ عنوان ورودی به شبکه داده می‌شود و سپس شبکه یاد می‌گیرد که با حفظ ساختار و الگوی هیستوپاتولوژی بافت تصویر ورودی را به یک سبک رنگ‌آمیزی خاص مجدداً رنگ‌آمیزی می‌کند. این روش در مقایسه با روش‌های پیشین که به یک تصویر مرجع درستی وابسته بودند، از توزیع تمامی تصاویر مجموعه آموزش برای یادگیری استفاده می‌کند.  روش پیشنهادی در مقایسه با برخی از بهترین روش‌هایی که تاکنون ارائه شده‌اند، در هر دو ارزیابی کمی و کیفی نتایج  بهتری را به دست آورده است. همچنین به عنوان نوآوری دیگر، روش پیشنهادی در کاربرد بالینی طبقه‌بندی بافت سینه بر روی مجموعه داده patchcamelyon اعمال و مورد آزمایش قرار گرفته است، که نتایج حاصل، بهبود 5 درصدی auc را نشان می‌دهد.