本文介绍了一种基于ViT深度学习模型和Denoising Diffusion自编码器的新型方法ViT-DAE，用于高质量的组织病理学图像合成，实验表明ViT-DAE比最近的基于GAN和原始DAE方法更能生成逼真的图像。

Apr, 2023

本研究旨在提高扩散模型在逼真图像修复中的适用性，特别是在网络架构、噪声水平、降噪步骤、训练图像大小和优化器/调度器等多个方面进行改进。我们展示了调节这些超参数可以在失真和感知得分上实现更好的性能，并提出了基于U-Net的潜在扩散模型。与以前的潜在扩散模型相比，我们提出的U-Net压缩策略更稳定，而且不依赖敌对性优化就能恢复高度准确的图像。我们的模型Refusion能够处理大尺寸图像，包括真实世界的阴影去除、HR不均匀去雾、立体超分辨率和景深效果转换，并在NTIRE 2023图像阴影去除挑战赛中获得最佳感知性能和第二名。

Apr, 2023

MRI扫描的磁共振成像和显微成像的跨模态增强具有潜力，可以在没有侵入性活检程序的情况下进行组织病理学分析。本文测试了一种使用条件生成对抗网络（cGAN）架构从MRI扫描中生成微观组织学图像的方法。该方法通过训练配对的图像转换模型，将MRI扫描和显微镜图像集合起来。通过可靠地合成胼胝体的组织学图像，这项技术突显了网络在训练高分辨率组织学图像和相对较低分辨率MRI扫描方面的能力。该工具的最终目标是避免活检，可用于教育目的。

Oct, 2023

本文提出了一种新颖的鲁棒学习方法来解决整张切片图像（WSIs）中的扰动问题，并通过引入图卷积网络（GCN）从图中提取特征，包括去噪和分类层，以改善前列腺癌的诊断准确率。实验结果表明，与非鲁棒算法相比，该模型在癌症诊断方面取得了显著的改善。

Oct, 2023

用新的扩散性方法生成合成的病理全层切片图像，可以增强计算病理学应用的性能，并且无需数据注释即可学习全层切片图像的表征。

Nov, 2023

提出一种混合专家方案，用于从全玻片图像中检测五个显著的伪迹，其中包括受损组织、模糊、折叠组织、气泡和组织学上无关的血液，以提高计算病理学系统的可靠自动化诊断。

Mar, 2024

通过采用基于条件潜在扩散的新型架构，以样式转移任务的方式处理了镜像污染问题，并建立了迄今为止最大的超过200万组织学图像数据集SPI-2M，并使用神经样式转移进行高质量转换，从而在归一化图像的质量方面胜过了现有的GAN和手工方法。此外，作为考验时间增强方法应用于具有挑战性的CoNIC数据集的核实例分割和分类模型，与现有方法相比，它改进了性能。最后，在多千兆像素全尺寸图像（Whole Slide Images，WSIs）上应用了StainFuser，并展示了相对于现有方法，它在计算效率、图像质量和图块之间的一致性方面的改进。

Mar, 2024

本研究提出了一种方法，通过外部库生成和混合艺术品，从而增强给定的组织病理学数据集，以训练艺术品分类方法，从而解决了整个幻灯片图像获取中的伪影问题。

Jun, 2024

使用超高分辨率级联扩散模型（Ultra-Resolution Cascaded Diffusion Models，URCDMs）从组织病理学数据中诊断医学状况，能够在高分辨率下合成整个组织病理学图像，同时真实地捕捉到各个放大倍率水平下底层解剖和病理的细节。

Jul, 2024

本研究解决了高分辨率全幻灯片图像（WSIs）在数字病理学中获取困难的问题，提出了Histo-Diffusion方法。这是一种新颖的扩散基础方法，能够有效提升低分辨率病理图像质量，并建立了一套全面的评估策略。研究结果显示，Histo-Diffusion在多个数据集上的表现优于现有的生成对抗网络（GANs），为病理图像的超分辨率生成提供了有效支持。

Aug, 2024