Virtual Gram staining of label-free bacteria using darkfield microscopy and deep learning

格氏染色是微生物学中最常用的染色方法之一，已经使用了一个多世纪，广泛应用于诊断、食品安全和环境监测等各个领域。由于其手动操作程序，因操作者经验不足和化学物质变化等因素，易受染色误差和伪影的影响。本文介绍了一种使用经过训练的深度神经网络对无标记细菌进行虚拟格氏染色的方法，该方法将未染色的暗场图像数字化转换为其与亮场图像对比度相匹配的格氏染色图像。经过一次训练后，虚拟格氏染色模型可以处理一组未见过的无标记细菌的暗场显微镜图像序列，快速生成格氏染色图像，避免了传统染色过程中涉及的多个化学步骤。我们通过量化虚拟格氏染色模型的染色准确性，并将虚拟染色后的细菌的色度和形态特征与其化学染色的对应物进行比较，证明了虚拟格氏染色工作流程在含大肠杆菌和无病原性李斯特菌的无标记细菌样品上的成功应用。这种虚拟细菌染色框架有效地绕过了传统格氏染色协议及其挑战，包括染色标准化、操作者误差和对化学物质变化的敏感性。

本论文旨在通过使用深度神经网络将未染色的细菌的暗场显微镜图像数字转换为相应的革兰染色图像，从而解决传统革兰染色方法中存在的操作者错误、化学品变异和染色标准化等问题。

本文提出了一种基于深度学习的虚拟革兰染色方法，可以通过一次训练，快速生成未曾见过的未染色细菌的革兰染色图像，避免了传统革兰染色方法中涉及的多个化学步骤，解决了染色标准化、操作者错误和化学品变异等问题。

本论文使用深度学习技术实现了虚拟革兰染色，避免了传统革兰染色方法中的多个化学步骤；实验结果表明，虚拟革兰染色方法可以准确地染色未染色的细菌，并且与传统革兰染色方法得到的细菌在形态和色度上具有相似性；本文使用了Escherichia coli和Listeria innocua两种未染色的细菌样本进行实验，并且开源了代码。

最近在这个领域中，还有一些相关的研究正在进行，例如“Deep learning for label-free prediction of a biological sample's refractive index from its microscopy image”和“Deep learning enables high-quality and large-scale evaluation of yeast vacuolar morphology”。