用于组织病理学染色归一化的生成对抗网络
图像与视频处理
2024-03-08 v2 计算机视觉与模式识别
机器学习
摘要
近年来数字病理学的快速发展，为开发基于人工智能的工具以提升临床诊断的准确性与效率提供了理想契机。当前研究的一大障碍是数字病理学图像间高度的视觉差异性，导致模型对未知数据的泛化能力较差。染色归一化旨在不改变图像结构内容的前提下，标准化数字病理学图像的视觉特征。在本章中，我们探讨了数字病理学中用于染色归一化的不同技术，重点聚焦于利用生成对抗网络 (GANs) 的方法。通常，基于 GAN 的方法优于非生成式方法，但代价是远高于后者的计算需求。然而，何种方法总体上最适合染色归一化尚不明晰，不同的 GAN 与非 GAN 方法在不同场景及不同性能指标下互有胜负。这仍是一个持续研究的领域，研究者致力于找到一种高效且有效地归一化病理学图像的方法，以使 AI 模型更具鲁棒性与泛化能力。
引用
@article{arxiv.2308.02851,
title = {Generative Adversarial Networks for Stain Normalisation in Histopathology},
author = {Jack Breen and Kieran Zucker and Katie Allen and Nishant Ravikumar and Nicolas M. Orsi},
journal= {arXiv preprint arXiv:2308.02851},
year = {2024}
}
备注
Updated to add link to full publication at https://doi.org/10.1007/978-3-031-46238-2_11