深度监督的两阶段生成对抗网络,用于染色正常化
Zhe Du1,2, Pujing Zhang1,2, Xiaodong Huang1,2
1School of Medical Technology and Engineering, Henan University of Science and Technology, Luoyang, China.
Scientific reports
|February 27, 2025
概括
一个新的深度监督双阶段生成对抗网络 (DSTGAN) 有效地解决了基因病理图像中的颜色变化. 这种染色规范化方法增强了纹理保留,并改善了计算病理学的下游分类和细分任务.
科学领域:
- 计算病理学计算病理学
- 数字病理学数字病理学
- 医疗图像分析 医学图像分析
背景情况:
- 基因病理图像颜色变化对计算病理学和深度学习方法构成挑战.
- 现有的染色规范化技术往往受到低质感保留,在小数据集上的性能差,或有限的概括性的影响.
研究的目的:
- 提出一种新的深度监督两阶段生成对抗网络 (DSTGAN),以实现强大的污点规范化.
- 通过深度监督和半监督策略来提高生成对抗网络的学习能力和概括性.
- 为了改善正常化组织病理图像中的纹理保留.
主要方法:
- 开发了DSTGAN,包括深度监督和模型规范化,以加强学习.
- 实施了一种新的两阶段染色策略,利用半监督的概念进行有效的培训.
- 设计了一个能够捕捉远距离语义关系以保存纹理信息的生成器.
主要成果:
- 在多个基准数据集 (TUPAC-2016,MITOS-ATYPIA-14,ICIAR-BACH-2018,MICCAI-16-GlaS) 上实现了最先进的性能.
- 分类和细分精度分别提高了5.2%和4.2%.
- 与现有方法相比,显示出优越的图像质量和纹理保留.
结论:
- DSTGAN有效地减少了染色变异对计算病理学的影响.
- 拟议的方法显著提高了下游分类和细分任务的性能.
- DSTGAN 提供了一个有前途的解决方案,用于提高基因病理图像分析的准确性.
