Jan, 2024

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

PDF
TL;DR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。
whole-slide scannersdeep learning-based super-resolutionpathology imagesarbitrary-scale super-resolutioniste framework
发现论文，激发创造
  • 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

    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

  • 基于扩散的千兆像素尺度组织病理全切片图像生成

    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

  • 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

  • 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

  • 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

  • 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

  • 利用语义分割的多阶段病理图像分类

    本论文提出了一种新的模型结构，将基于补丁的分类模型和整个切片比例的分割模型相结合，以提高自动病理诊断的预测性能，并通过优化方法，使模型部分地进行端到端学习，应用于 WSI 的肿瘤 / 正常预测，与传统基于补丁的方法相比，分类的性能得到了提高。

    Oct, 2019

  • CasSR: 激活图像力量的真实世界图像超分辨率

    通过级联扩散控制模型和多重注意机制，本研究提出了一种图像超分辨率方法，其目标是从降质版本中生成高质量、清晰的图像。研究结果表明该方法在提高图像还原的准确性和真实性方面非常有效和优越。

    Mar, 2024