رنگ‌آمیزی مجازی هماتوکسیلین و ائوزین با استفاده از یادگیری عمیق برای هیستولوژی رامانِ تحریک‌شده

تصویربرداری پراکندگی رامان برانگیخته (SRS)، امکان مشاهده سریع و بدون برچسب (Label-free) نمونه‌های بیوپسی تازه یا منجمد را فراهم می‌کند؛ با این حال، به‌کارگیری بالینی آن به دلیل فقدان کنتراست بافت‌شناسیِ مرسوم، با محدودیت‌هایی روبرو است. روش‌های موجود در زمینه «رنگ‌آمیزی مجازی» که تصاویر SRS را به تصاویر شبیه به رنگ‌آمیزی هماتوکسیلین و ائوزین (H&E) تبدیل می‌کنند، یا کیفیت محدودی دارند و یا بر مدل‌های مولد (Generative Models) متکی هستند که مستعد ایجاد مصنوعات (Artifacts) و محدودیت‌های داده‌ای می‌باشند.
در این پژوهش، ما یک شبکه عصبی کانولوشنال مبتنی بر معماری U-Net را برای رنگ‌آمیزی مجازی H&E در تصاویر SRS معرفی می‌کنیم. روش ما با تبدیل اسلایدهای H&E موجود به داده‌های مصنوعی SRS، امکان آموزش نظارت‌شده (Supervised Training) را بدون نیاز به مدل‌های مولد فراهم می‌سازد. علاوه بر این، ما یک ابزار ارزیابی معرفی کرده‌ایم که نشان می‌دهد رویکرد ما، یکپارچگی مورفولوژیک (ریخت‌شناسی) بافت را حفظ می‌کند؛ این موضوع توسط پاتولوژیست‌های متخصص بر روی نمونه‌های بافت سیستم عصبی مرکزی مورد تأیید قرار گرفته است.
در نهایت، ما «Massilia-VH» را ارائه می‌دهیم؛ یک رابط کاربری آنلاین برای بافت‌شناسی مجازی (VH) که به کاربران اجازه می‌دهد با استفاده از ورودی‌های SRS مربوط به گروه‌های𝐶𝐻2​و 𝐶𝐻3، تصاویر H&E با کیفیت بالا و رنگ‌آمیزی‌شده به‌صورت مجازی تولید کنند.

Stimulated Raman scattering (SRS) imaging enables rapid, label-free visualization of fresh or frozen biopsies, but its clinical adoption is limited by the lack of familiar histological contrast. Existing virtual staining approaches that convert SRS images into hematoxylin and eosin (H&E)-like images either produce limited quality or rely on generative models prone to artifacts and data constraints. Here, we present a U-Netbased convolutional neural network for virtual H&E staining of SRS images. By transforming readily available H&E slides into synthetic SRS data, our method enables supervised training without the need for generative models. We further introduce an assessment tool showing that our approach preserves morphological integrity, as validated by expert pathologists on central nervous system tissue samples.
Finally, we provide “Massilia-VH,” an online virtual histology (VH) interface that allows users to generate high-quality, virtually stained H&E images from their own CH2 and CH3 SRS inputs.