Apr, 2024

基于注意力机制的变焦生成对抗网络在不均匀医学图像转换中的应用

PDF
TL;DR我们在这篇论文中提出了一种基于注意力的变焦生成对抗网络 (AV-GAN)，它解决了病理图像翻译任务中多个问题，如不同区域的翻译困难度不均、多分辨率信息的相互干扰和核变形。实验结果表明，我们提出的 AV-GAN 在两个虚拟肾组织染色任务中优于现有图像翻译方法，并分别使 H&E-MT 和 H&E-PAS 任务的 FID 值提高了 15.9 和 4.16。
stainingpathologic image translationattention-based varifocal generative adversarial networktranslation difficultykidney tissue staining
发现论文，激发创造
  • AGMDT：基于邻域引导的多领域迁移的肾组织学图像虚拟染色

    我们提出了一种新颖的虚拟染色框架 AGMDT，通过避免像素级对齐并同时利用多个相邻组织切片之间的相关性，将图像转化为其他领域。实验证明，该方法在精确的像素级对齐和无配对领域转化之间取得了良好的平衡，并在定量测量和形态细节方面优于现有方法。

    Sep, 2023

  • 基于 GAN 的虚拟染色：全切片图像分析的有希望解决方案

    本文提出了一种基于条件 CycleGAN 网络的方法，将 H＆E 染色图像转换为 IHC 染色图像，实现同一切片的虚拟 IHC 染色，并展示了该方法在图像转换方面的优越性。

    Jan, 2019

  • HistoStarGAN: 肾脏组织病理学中染色归一化、染色转移和染色不变分割的统一方法

    本文介绍了 HistoStarGAN，它是一种用于多种染色方式的虚拟染色方法，可以进行染色归一化和染色不变分割，并证明其具有泛化能力和生成合成图像数据的能力。同时还展示了一种基于肾脏病理图像的人工数据集制作方式，以此展示了这种方法在生物成像领域的潜在应用与风险。

    Oct, 2022

  • 关注力感知生成式对抗网络 (ATA-GANs)

    本研究提出了一种基于生成对抗网络的训练方法，通过利用教师 - 网络生成的注意力图来提高图像生成的质量，以及在生成的图像上执行弱目标定位。该方法在 HEp-2 细胞图像上进行了研究，表明其可以进行弱定位。该方法可用于图像生成和数据注释，例如在目标检测中。

    Feb, 2018

  • AttentionGAN: 利用 Attention 引导的生成对抗网络实现非配对图像转换

    本文提出了一种新的基于注意力向导的生成对抗网络 (AttentionGAN)，通过生成注意力掩码来识别最具区别性的前景物体，并将生成的输出融合到注意力掩码中，从而获得高质量的目标图像，实验表明，相较于现有的竞争模型，该方法能够生成更鲜明和更现实的图像。

    Nov, 2019

  • 使用 GAN 进行医学图像翻译的 MedGAN

    本文提出了一种名为 MedGAN 的新框架，利用对抗生成网络（GANs）的方法对医学影像进行图像翻译，以此来实现 PET-CT 图像转换，矫正磁共振运动伪影和 PET 图像去噪等不同任务，感知分析和定量评估结果表明，MedGAN 比其他现有的翻译方法表现更优秀。

    Jun, 2018

  • 生成敌对网络用于视频到视频的域自适应

    本文提出了一种名为 VideoGAN 的生成对抗网络，用于跨不同域传输基于视频的数据，并通过对结肠镜数据的实验验证，表明我们的 VideoGAN 可以显著提高多中心数据集上结直肠息肉分割的精度，并可用于将图像从阴天转换为晴天的任务。

    Apr, 2020

  • 组织病理学中的染色归一化的生成对抗网络

    数字病理学的快速发展为发展基于人工智能的工具改善临床诊断的准确性和效率提供了理想的机会。本文探讨了数字病理学中用于染色标准化的不同技术，重点关注利用生成对抗网络（GAN）的方法。研究者旨在找到一种有效和高效的方法来标准化病理图像，以使人工智能模型更具鲁棒性和可推广性。

    Aug, 2023

  • StainGAN：数字组织学图像染色风格转移

    利用深度学习方法的 CycleGANs，不需要专家选择代表性的参考标本，解决了数字化组织学诊断中由于多种因素引起的染色剂颜色变化引起的难题，并在乳腺癌肿瘤分类等临床应用中得到了验证。

    Apr, 2018

  • 领域对抗神经网络解决组织病理学图像外观差异问题

    通过对颜色进行增强和基于领域对抗训练的方法，可以改善深度学习方法的泛化能力，从而提高乳腺癌组织学图像中有丝分裂的检测效果。

    Jul, 2017