一个拉普拉斯金字塔基于生成的H&E污点增强网络

科学领域:

• 数字病理学数字病理学
• 计算生物学 计算生物学
• 医疗成像医学成像

背景情况:

• 血素和乙 (H&E) 染色对于医学诊断中的组织学图像分析至关重要.
• 在H&E图像中的污点变化对机器学习模型概括提出了重大挑战.
• 目前的方法很难解释染色试剂和协议的变化.

研究的目的:

• 开发一种增强组织学图像的方法,以现实的染色变化.
• 提高计算机辅助诊断的机器学习模型的概括能力.
• 为了使诊断模型对H&E染色的变化不敏感.

主要方法:

• 提出了生成污点增强网络 (G-SAN),这是一个基于生成对抗网络 (GAN) 的框架.
• 利用基于拉普拉斯金字塔 (LP) 的计算效率高的发电机架构.
• 在生成的图像中,从细胞形态中解脱出斑点的特征.

主要成果:

• G-SAN成功地为组织学图像生成了现实的染色变化.
• 使用G-SAN增强数据的训练模型改善了F1补丁分类得分,平均为15.7%.
• 在使用G-SAN增强数据的全视质量中,核细分性能提高了7.3%.

结论:

• G-SAN有效地解决了组织学图像中斑点变异性的挑战.
• 拟议的方法提高了基于机器学习的诊断工具的稳定性和准确性.
• G-SAN提供了一种有价值的方法来改进数字病理学工作流程.