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
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
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。
Apr, 2023
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
使用深度学习构建的扫描超透镜显微镜 (SSUM) 系统通过光学超分辨率图像和扫描电子显微镜 (SEM) 领域图像之间的映射关系,将光学超分辨率图像转化为类似 SEM 的具有大景深的图像,其在图像转换中表现出色,重构结果具有高层次的细节,适用于芯片级缺陷检测、生物样品分析、法医学以及其他各个领域。
Oct, 2023
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
利用 DenseNet-161 和 ResNet-50 预训练 CNN 模型,通过迁移学习的方法对数字组织病理学补丁进行分类,实验结果表明,这种方法可以自动检测和分类疾病,并在分类效果方面表现出色。
Mar, 2019
监督深度学习可以通过学习两种图像分辨率或模态之间的映射来人工增加显微镜图像的分辨率。我们提出了一种基于规则化潜在搜索(RLS)的强大超分辨率方法,它在保持实际效果和真实性之间提供了可行的平衡,并结合了深度学习和基于可解释生物特征的手工算法的计算超分辨率和量化任务。这种两步过程对于移动设备等各种应用具有潜在的潜力。
May, 2024
本章提供了关于深度学习技术用于改善 MRI 空间分辨率的概述,包括卷积神经网络、生成对抗网络,以及更高级的模型,如 transformers、扩散模型和隐式神经表示。我们探索了超分辨图像对临床和神经科学评估的影响,并涵盖网络架构、图像评估指标、网络损失函数和训练数据细节等各种实际主题,包括模拟低分辨率图像的下采样方法和数据集选择。最后,我们讨论了深度学习 MRI 超分辨率的现有挑战和潜在未来发展方向,旨在促进其广泛应用于各种临床和神经科学应用。
Jun, 2024