基于降解的一般化对抗式学习,用于无监督的内分显微镜图像超分辨率
Linghao Meng1, Yangxi Li2, Yuchao Zheng3
1Tanwei College, Tsinghua University, Beijing 100084, China.
Computer methods and programs in biomedicine
|July 6, 2025
概括
这项研究引入了一个无监督的框架,以增强基于探针的共聚焦激光内分显微镜 (pCLE) 图像,提高癌症等疾病的诊断准确性. 该方法可以实现高分辨率的成像,而不需要参考图像.
科学领域:
- 医疗成像医学成像
- 光学活检是指光学活检的方法.
- 图像处理 图像处理
背景情况:
- 基于探头的共聚焦激光内显微镜 (pCLE) 是一种新兴的光学活检技术,用于现场疾病诊断.
- 由于光纤捆的物理限制,高分辨率的PCLE成像具有挑战性.
研究的目的:
- 通过使用先进的后处理技术来提高PCLE图像质量.
- 为增强PCLE成像开发一个无监督的单图像超分辨率框架.
主要方法:
- 提出了一个无监督的框架,包括降解,风格转换和超分辨率模块.
- 引入了一个新的分布假设模块来模拟PCLE成像原理并生成合成训练数据.
主要成果:
- 与最先进的方法相比,该框架显著提高了图像超分辨率.
- 在不同PCLE系统中表现出强大的泛化能力,减少了对特定设备培训的需求.
结论:
- 该方法允许更清晰地观察图像细节,并更准确地定位微观结构.
- 有助于精确识别损伤区域,提高PCLE应用中的诊断准确度.
