基于扩散概率模型的组织学图像伪影修复
图像与视频处理
2023-07-27 v1 计算机视觉与模式识别
摘要
组织学全切片图像（WSIs）常受组织折叠、气泡等伪影影响，增加病理医生与计算机辅助诊断（CAD）系统的阅片难度。现有伪影图像修复方法局限于生成对抗网络（GANs），将修复过程建模为图像到图像的迁移。这类方法易出现模式崩溃与染色风格的意外误迁移，导致修复图像不令人满意且不真实。我们创新性地首次尝试将去噪扩散概率模型用于组织学伪影修复，即 ArtiFusion。具体而言，ArtiFusion 将伪影区域修复建模为渐进去噪过程，其训练仅依赖无伪影图像以简化训练复杂度。此外，为捕捉区域伪影修复中的局部-全局关联，设计了新颖的 Swin-Transformer 去噪架构，并配以时间令牌方案。我们的大量评估表明，ArtiFusion 作为组织学分析的预处理方法十分有效，能在修复过程中成功保留无伪影区域的组织结构与染色风格。代码见 https://github.com/zhenqi-he/ArtiFusion。
引用
@article{arxiv.2307.14262,
title = {Artifact Restoration in Histology Images with Diffusion Probabilistic Models},
author = {Zhenqi He and Junjun He and Jin Ye and Yiqing Shen},
journal= {arXiv preprint arXiv:2307.14262},
year = {2023}
}
备注
Accepted by MICCAI2023