基于卷积的高效自动编码器,用于通过增强的混合特征提取来消除基因病理图像的模糊性

科学领域:

• 医疗成像医学成像
• 计算病理学计算病理学
• 人工智能的人工智能

背景情况:

• 静脉病理学图像噪声,源于硬件,准备和环境,阻碍了疾病分析.
• 现有的无色化模型往往无法捕捉空间特征,并且计算密集.
• 组织病理学图像中稀有的空间特征对于诊断至关重要,但可以通过denoising降解.

研究的目的:

• 开发一个高效和精确的 histopathology图像的denoising方法.
• 解决当前模型在提取空间特征和计算成本方面的局限性.
• 创建一个轻量级的自动编码器,能够保存关键的诊断信息.

主要方法:

• 通过将一个卷积层集成到一个小型卷积模型中,提出了一种轻量级的自动编码器 (43.11 KB).
• 采用混合方法用于特定道和特定位置的特征提取.
• 使用SSIM损失和峰值信号对噪声比率对疟疾血迹和CRC数据集进行性能评估.

主要成果:

• 在用高斯噪声 (0.3) 消噪图像时,实现了较低的SSIM损失 (0.058和0.34).
• 自动编码器具有最小的重量参数 (11,037) 和FLOP (81,630,000).
• 与下一个最佳模型 (Xception) 相比,证明了超过20倍的计算效率.

结论:

• 拟议的轻量级自动编码器为组织病理学图像提供了卓越的无声化性能.
• 该模型可显著降低内存和计算开销.
• 这种方法代表了一种高效的解决方案,用于他的病理学图像 denoising,最大限度地减少文物生成.