ParamNet：一种用于快速多对一染色归一化的动态参数网络
图像与视频处理
2024-07-17 v3 计算机视觉与模式识别
摘要
在实际应用中，数字病理图像常受多种因素影响，导致颜色和亮度差异很大。染色归一化可有效减小数字病理图像的颜色和亮度差异，从而提升计算机辅助诊断系统的性能。传统染色归一化方法依赖一张或几张参考图像，但一张或几张图像可能不足以代表整个数据集。尽管基于学习的染色归一化方法是通用途径，但它们使用复杂的深度网络，不仅大幅降低计算效率，还存在引入伪影的风险。一些研究采用专用网络结构来增强计算效率和可靠性，但这些方法因网络容量不足难以应用于多对一染色归一化。本研究引入动态参数网络，提出一种称为 ParamNet 的新型染色归一化方法。ParamNet 通过将动态参数（卷积层的权重和偏置）引入网络设计，解决了网络容量有限与计算效率低的难题。通过有效利用这些参数，ParamNet 在保持计算效率的同时实现了优异的染色归一化性能。结果表明，ParamNet 可在 25 秒内归一化一张 100,000x100,000 的全切片图像（WSI）。代码见：https://github.com/khtao/ParamNet。
引用
@article{arxiv.2305.06511,
title = {ParamNet: A Dynamic Parameter Network for Fast Multi-to-One Stain Normalization},
author = {Hongtao Kang and Die Luo and Li Chen and Junbo Hu and Tingwei Quan and Shaoqun Zeng and Shenghua Cheng and Xiuli Liu},
journal= {arXiv preprint arXiv:2305.06511},
year = {2024}
}