LatentArtiFusion：一种高效且高性能的组织学失真修复框架
图像与视频处理
2024-07-30 v1 人工智能
计算机视觉与模式识别
摘要
组织学失真对病理学家和计算机辅助诊断（CAD）系统都构成挑战，导致分析错误。当前基于生成对抗网络（GAN）和像素级扩散模型的组织学失真修复方法存在性能局限和计算效率不足的问题。本文提出一种新框架 LatentArtiFusion，利用潜在扩散模型（LDM）在低维潜在空间中实现高性能和高计算效率的组织学失真重构。不同于传统像素级扩散框架，LatentArtiFusion 在更低维度的潜在空间中执行重构过程，显著提升了计算效率。此外，我们引入一种在潜在空间中进行区域性失真重构的算法，以防止非失真区域的错误转换，区别于基于 GAN 的方法。通过在真实组织学数据集上的大量实验，LatentArtiFusion 显示出卓越的速度，超过了领先的像素级扩散框架超过 30 倍；在多个评估指标上 consistently 超越基于 GAN 的方法至少提升 5%。进一步评估我们框架在下游组织分类任务中的效果，展示了其实际实用性。代码已公开 https://github.com/bugs-creator/LatentArtiFusion。
引用
@article{arxiv.2407.20172,
title = {LatentArtiFusion: An Effective and Efficient Histological Artifacts Restoration Framework},
author = {Zhenqi He and Wenrui Liu and Minghao Yin and Kai Han},
journal= {arXiv preprint arXiv:2407.20172},
year = {2024}
}
备注
Accept to DGM4MICCAI2024