Sharp-GAN:用于组织病理学图像合成的锐度损失正则化 GAN
图像与视频处理
2021-10-29 v1 计算机视觉与模式识别
摘要
现有的基于深度学习的组织病理学图像分析方法需要大量标注训练集才能达到良好性能;但标注组织病理学图像缓慢且耗费资源。条件生成对抗网络已被用于生成合成组织病理学图像以缓解此问题,但现有方法无法为重叠和接触的细胞核生成清晰轮廓。在本研究中,我们提出一种锐度损失正则化的生成对抗网络来合成逼真的组织病理学图像。所提出的网络使用归一化细胞核距离图而非二值掩码来编码细胞核轮廓信息。所提出的锐度损失增强了细胞核轮廓像素的对比度。所提方法使用四个图像质量指标及在两个公开数据集上的分割结果进行评估。定量与定性结果均表明,所提方法能生成具有清晰细胞核轮廓的逼真组织病理学图像。
引用
@article{arxiv.2110.14709,
title = {Sharp-GAN: Sharpness Loss Regularized GAN for Histopathology Image Synthesis},
author = {Sujata Butte and Haotian Wang and Min Xian and Aleksandar Vakanski},
journal= {arXiv preprint arXiv:2110.14709},
year = {2021}
}