Apr, 2023

基于隐式自纹理增强的高效双分支框架，实现任意尺度组织病理学图像超分辨率

PDF
TL;DR本文介绍了一种基于双分支框架和自纹理增强机制的病理图像任意尺度超分辨率方法，该方法能够有效提高超分辨率结果，且在两个公共数据集上的表现均优于现有的定尺度和任意尺度算法。
发现论文，激发创造
  • 基于隐式自纹理增强的高效双支路框架实现任意尺度的组织病理学图像超分辨率

    通过提出基于隐性自纹理增强的双分支框架（ISTE），实现了病理图像的任意尺度超分辨率，大幅度提升了现有固定尺度和任意尺度算法在多个放大倍率上的表现，并有助于改善下游任务性能。

    Jan, 2024

  • SHISRCNet: 低分辨率乳腺癌组织学图像的超分辨率和分类网络

    本文介绍了一种新的基于超分辨率和多尺度特征提取的单张组织病理学图像分类网络（SHISRCNet），该网络可以更精确地诊断以低分辨率图像为输入的乳腺癌，具有较高的诊断准确度。

    Jun, 2023

  • 在兽医细胞学中使用超分辨率以提高视觉感知和分割性能

    本研究的主要目标是通过整合超分辨率 (SR) 架构来增强细胞学图像中的语义分割质量。我们还开发了一个旨在改进在不准确对焦情况下成像质量的新数据集。实验结果表明，将 SR 技术整合到分割管线中可以在平均精度（mAP）分割指标上实现高达 25% 的显着改善。这些发现表明，利用 SR 体系结构在细胞学图像分析领域具有重大前景。

    Jun, 2023

  • 多对比度 MRI 的双任意尺度超分辨率

    本文提出了一种基于隐式神经表示的双任意多对比度 MRI 超分辨率方法 (Dual-ArbNet)，该方法可以无限制地使用任意缩放的目标和参考图像进行图像重建，并通过课程学习策略提高了该方法在两个 MRI 数据集上的性能。

    Jul, 2023

  • 时空分层强化学习用于可解释的病理图像超分辨率

    提出了一种层次强化学习框架，用于解决病理图像超分辨率问题中的问题，通过分级恢复机制和时空管理器实现对病理图像的逐块恢复，并在肿瘤诊断方面取得显著提升。

    Jun, 2024

  • 基于深度学习的组织结构保留的组织病理学冰冻切片超分辨率

    基于深度学习架构，在冰冻切片图像中实现超分辨率成像，以提高结构相似性指数（SSIM）和峰值信噪比（PSNR），同时避免丢失关键图像细节，减少诊断错误的风险。

    Oct, 2023

  • EnhanceNet: 自动纹理合成的单图像超分辨率

    该研究提出了一种基于自动纹理合成及感知损失的单张图像超分辨率增强方法，利用卷积神经网络实现前馈学习与对抗训练相结合，取得了高效、有效的成果。

    Dec, 2016

  • 自路径：有限标注病理图像分类的自监督学习

    本文提出了一种自我监督的深度学习算法，采用 CNN 实现对病理图像的多任务分类，并结合具有内在标签的预处理任务来实现半监督学习和领域自适应。实验结果表明该算法在病理学图像分类任务中具有较高的性能表现，并能够适用于其他计算病理学应用领域中。

    Aug, 2020

  • 利用循环一致性的对抗训练进行内窥镜无监督超分辨率

    本研究提出了一个基于对抗深度神经网络的无监督超分辨率（SR）框架，旨在提高内窥镜图像的质量以进行诊断和介入指导。该框架可以利用高分辨率（HR）图像将其质量传递到起始低分辨率（LR）图像中，从而能够在没有配对 LR / HR 的情况下产生令人信服的超分辨率图像。

    Jan, 2019

  • 层次化文本到图像的自我监督对齐，以提高组织病理学表示学习

    本文介绍一种新颖的基于语言相关的自监督学习框架，即 Hierarchical Language-tied Self-Supervised (HLSS) 方法，用于医学图像的层次化表示学习。通过结合领域特定的自然语言信息与图像的层次化视觉表示，该方法在医学图像任务中取得了最先进的性能，同时还提供了更好的可解释性。

    Mar, 2024