一个拉普拉斯金字塔基于生成的H&E污点增强网络
IEEE transactions on medical imaging
|September 19, 2023
概括
生成性斑点增强网络 (G-SAN) 使用一种新的方法来模拟组织学图像中的现实的斑点变化. 这种方法通过提高概括性和准确性来增强医疗诊断的机器学习模型.
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.
