用于增强重建的深度量化表示
图像与视频处理
2021-08-02 v1 机器学习
摘要
尽管机器学习方法在生物医学图像分析中展现出卓越性能，但此类方法大多依赖高质量且精确的成像数据。然而，收集这类数据需要密集且细致的人工努力。在拟南芥茎尖分生组织(SAM)成像中的主要挑战之一是，z 栈中较深的切片遭受不同的持续性质量相关问题，如低对比度与模糊。这些质量问题常导致来之不易的采集数据被丢弃，而在采集时几乎无法控制质量。因此，有必要采用并设计能够增强图像以使其更适合进一步分析的技术。本文中，我们提出一种数据驱动的深度量化潜表示(DQLR)方法，用于拟南芥茎尖分生组织(SAM)中的高质量图像重建。我们提出的框架利用 z 栈中多个连续切片学习低维潜空间，对其量化，并随后使用量化表示进行重建以获得更清晰的图像。在公开数据集上的实验验证了我们的方法并展现出有前景的结果。
引用
@article{arxiv.2107.14368,
title = {Deep Quantized Representation for Enhanced Reconstruction},
author = {Akash Gupta and Abhishek Aich and Kevin Rodriguez and G. Venugopala Reddy and Amit K. Roy-Chowdhury},
journal= {arXiv preprint arXiv:2107.14368},
year = {2021}
}
备注
Accepted to ISBI Workshop, 2020