西安:以风格为导向的实例适应性规范化用于多器官组织病理学的图像合成

科学领域:

• 数字病理学数字病理学
• 医学图像合成 医学图像合成
• 计算生物学是一种计算生物学.

背景情况:

• 当前的深度神经网络在与特定器官的组织病理学图像风格生成作斗争.
• 在合成图像中,准确地划出集群核边界仍然是一个挑战.

研究的目的:

• 开发一种新的方法来合成具有器官特异性的风格和精确的细胞核边界的现实性组织病理学图像.
• 通过利用生成的合成数据来提高实例细分模型的性能.

主要方法:

• 提出了一种以风格为导向的实例适应性规范化 (SIAN) 方法.
• SIAN涉及四个阶段:语义化,风格化,实例化和调制.
• 利用语义地图和学习风格向量用于图像合成,并集成几何/拓信息用于核边界生成.

主要成果:

• 在多个器官数据集上验证,与五个器官的四种最先进的方法相比,显示出更高的现实性.
• 生成了带有改进色彩分布,纹理和精确核边界的基因病理图像.
• 将合成图像纳入模型训练显著提高了实例细分网络的性能.

结论:

• SIAN方法有效地合成了具有精确核边界的现实性,器官特异性基因病理图像.
• 生成的合成数据增强了实例细分模型的训练,实现了最先进的结果.