FFusionCGAN：一种基于条件GAN利用少聚焦图像生成细胞病理数字切片融合图像端到端的方法
计算机视觉与模式识别
2020-01-06 v1 图像与视频处理
定量方法
摘要
多聚焦图像融合技术将不同聚焦深度的图像压缩为一幅多数物体清晰的融合图像。然而，尽管现有图像融合技术（包括传统算法与基于深度学习的算法）能生成高质量融合图像，它们需要同一视场下多张不同聚焦深度的图像。在部分对时间效率有要求或硬件不足的情形中，该条件可能无法满足。此问题在大型全切片图像中尤为突出。本文关注细胞病理数字切片图像的多聚焦图像融合，提出一种基于条件生成对抗网络（GAN）从单聚焦或少聚焦图像生成融合图像的新方法。通过生成器与判别器的对抗学习，该方法能生成纹理清晰、景深大的融合图像。结合细胞病理图像特点，本文设计了一种融合U-Net与DenseBlock的新生成器架构，可有效提升网络感受野并全面编码图像特征。同时，本文开发了一个识别细胞病理图像中模糊区域的语义分割网络。将该网络集成至生成模型，有效提升了生成融合图像的质量。我们的方法仅需单聚焦或少聚焦图像即可生成融合图像，从而避免了采集多张不同聚焦深度图像所带来的时间与硬件成本增加问题。此外，我们的模型设计为学习输入源图像到融合图像的直接映射，无需如传统方法那样手动设计复杂的活动水平度量与融合规则。
引用
@article{arxiv.2001.00692,
title = {FFusionCGAN: An end-to-end fusion method for few-focus images using conditional GAN in cytopathological digital slides},
author = {Xiebo Geng and Sibo Liua and Wei Han and Xu Li and Jiabo Ma and Jingya Yu and Xiuli Liu and Sahoqun Zeng and Li Chen and Shenghua Cheng},
journal= {arXiv preprint arXiv:2001.00692},
year = {2020}
}