基于隐式自纹理增强的高效双分支任意尺度组织病理学图像超分辨率框架
图像与视频处理
2024-11-08 v7 计算机视觉与模式识别
摘要
高质量全切片扫描昂贵、复杂且耗时，从而限制了日常临床工作中高分辨率组织病理学图像的获取与利用。基于深度学习的单图像超分辨率 (SISR) 技术提供了解决该问题的有效途径。然而，应用于组织病理学图像的现有 SISR 模型只能在固定整数缩放因子下工作，降低了其适用性。尽管基于隐式神经表示 (INR) 的方法在自然图像的任意尺度超分辨率 (SR) 中展现出可喜的成果，但将其直接应用于组织病理学图像并不充分，因为它们具有不同于自然图像的独特细粒度图像纹理。因此，为应对这一挑战，我们提出了一种基于隐式自纹理增强的双分支框架 (ISTE)，用于组织病理学图像的任意尺度 SR。所提出的 ISTE 包含特征聚合分支和纹理学习分支。我们采用特征聚合分支来增强对 SR 图像局部细节的学习，同时利用纹理学习分支来增强对高频纹理细节的学习。然后，我们设计了一种两阶段纹理增强策略，融合来自两个分支的特征以获得 SR 图像。在包括 TMA、HistoSR 和 TCGA 肺癌数据集在内的公开数据集上的实验表明，ISTE 在各种缩放因子下均优于现有的固定尺度和任意尺度 SR 算法。此外，大量实验表明，所提出的 ISTE 重建的组织病理学图像适用于下游病理图像分析任务。
引用
@article{arxiv.2401.15613,
title = {An efficient dual-branch framework via implicit self-texture enhancement for arbitrary-scale histopathology image super-resolution},
author = {Minghong Duan and Linhao Qu and Zhiwei Yang and Manning Wang and Chenxi Zhang and Zhijian Song},
journal= {arXiv preprint arXiv:2401.15613},
year = {2024}
}