基于风格迁移网络与对抗损失的病理组织学染色迁移
图像与视频处理
2020-10-07 v1 计算机视觉与模式识别
摘要
在单一实验室和/或扫描仪获取的病理组织学图像上训练的深度学习模型，在来自采用不同染色方案的其它扫描仪/实验室的图像上推理性能较差。近年来，为解决此问题，图像染色归一化已得到大量研究。本文提出一种利用快速神经风格迁移结合对抗损失的染色归一化新方法。我们还提出一种基于高分辨率网络(HRNet)的新型染色迁移生成器网络，其所需训练时间更短，并在少量参考染色与测试染色的配对训练图像下具有良好的泛化能力。该方法已在来自8个不同实验室的全切片图像(WSIs)上进行测试，其中一个实验室的图像被作为参考染色。在此染色上训练了一个深度学习模型，其余图像使用相应的染色迁移生成器网络迁移至该染色。实验表明，该方法能够成功实现染色归一化且视觉质量良好，与不进行染色归一化相比提供了更好的推理性能。
引用
@article{arxiv.2010.02659,
title = {Histopathological Stain Transfer using Style Transfer Network with Adversarial Loss},
author = {Harshal Nishar and Nikhil Chavanke and Nitin Singhal},
journal= {arXiv preprint arXiv:2010.02659},
year = {2020}
}
备注
Accepted at MICCAI 2020 Main Track Oral Presentation