利用图灵测试对抗网络学习深度卷积网络以实现显微图像超分辨率
计算机视觉与模式识别
2019-01-23 v1
摘要
通过生成逼真的局部纹理，对抗训练的深度神经网络显著提升了单图像超分辨率的性能，从而大大减小了真实高分辨率图像与其超分辨率（SR）对应图像之间的感知差异。然而，在医学成像中的应用要求保留诊断相关特征，同时避免引入任何易造成诊断混淆的伪影。我们提出使用一种深度卷积超分辨率网络（SRNet）进行训练，以 最小化真实图像与SR图像之间的重建损失，以及 最大限度地干扰已学习的相对论视觉图灵测试（rVTT）网络，使其难以区分 真实图像与SR图像对（T1）和 从感兴趣区域选取的真实图像与SR图像块对（T2）。T1和T2的对抗损失在通过SRNet反向传播时，有助于其学习在感兴趣区域（如外周血涂片中的白细胞（WBC）或癌活检组织的组织病理学中的上皮细胞）中重建病理真实感，本文对此进行了实验演示。通过使用峰值信噪比（pSNR）和结构相似性（SSIM）在不同SR尺度因子下测量信号失真损失、评估rVTT对抗损失的影响，以及在商用人工智能（AI）数字病理系统上使用SR进行报告的影响，实验结果证实了我们的主张。
引用
@article{arxiv.1901.06405,
title = {Learning a Deep Convolution Network with Turing Test Adversaries for Microscopy Image Super Resolution},
author = {Francis Tom and Himanshu Sharma and Dheeraj Mundhra and Tathagato Rai Dastidar and Debdoot Sheet},
journal= {arXiv preprint arXiv:1901.06405},
year = {2019}
}
备注
To appear in the Proceedings of the 2019 IEEE International Symposium on Biomedical Imaging (ISBI 2019)