一种高倍数细胞显微图像生成式对抗网络

发布时间：2021-10-23 08:04

　　在医疗领域,许多疾病的诊断依赖高倍数显微镜对细胞等微观物体的观测,但由于高倍数显微镜价格昂贵,操作复杂,且高倍数细胞显微图像重建工作存在低、高倍数显微图像之间图片风格不统一、细胞图像清晰度不一致和训练数据不匹配等问题。为此,提出高倍数细胞显微图像生成式对抗网络。将全新激活函数引入CycleGAN网络,在生成器中添加新的残差密集块并去掉BN层。同时为确保生成图像真实可信,在生成器训练过程中考虑细节感知损失。实验结果表明,该方法在保留低倍数显微图像基本信息的基础上,能够对高倍数显微图像细节进行有效的还原。 

【文章来源】：计算机工程. 2020,46(06)北大核心CSCD

【文章页数】：8 页

【部分图文】：

本文密集残差块

在本文实验中,模型有两个生成器GX→Y、GY→X与两个鉴别器DX→Y、DY→X。其中,GX→Y与DX→Y组合成一个生成式对抗网络GANX→Y进行学习映射G:X→Y,GY→X与DY→X组合成一个生成式对抗网络GANY→X进行学习映射F:Y→X。两个生成式对抗网络组成一个循环结构,具体结构如图1所示。循环网络分成正向循环与反向循环两个阶段。正向循环抽取源域的一张低倍数显微图片x通过GANX→Y生成一张伪高倍数显微图像fakey。随后该fakey通过GANY→X生成一张近似于原始低倍数显微图像x的生成图像fakex′,并对x与fakex′计算循环一致性损失。反向循环抽取目标域的一张高倍数显微图像y通过GANY→X生成一张伪低倍数图像fakex。随后该fakex通过GANX→Y生成一张近似于原始高倍数显微图像y的生成图像fakey,并对y与fakey计算循环一致性损失。

3)引入新的生成器结构。在原始CycleGAN生成器主体的结构上使用了新的密集残差块。根据过去的实验,更多的层与连接总可以提升网络的实际性能。随着残差密集块的引入,可以将网络中的密集连接变得更多,具体结构如图2与图3所示。图3 本文密集残差块

【参考文献】：
期刊论文
[1]结合全卷积网络与CycleGAN的图像实例风格迁移[J]. 刘哲良,朱玮,袁梓洋.  中国图象图形学报. 2019(08)
[2]基于生成对抗网络的图片风格迁移[J]. 许哲豪,陈玮.  软件导刊. 2018(06)
[3]超高倍显微镜下脐带血中弓形虫监测的临床研究[J]. 姜平平,王健,赵慧.  中国医药指南. 2011(30)
[4]介绍一种快速、简易和准确的弓形虫活检法[J]. 邹路,邹保生,关淑春.  广西预防医学. 2003(06)

硕士论文
[1]安徽部分地区猪附红细胞体病的分子流行病学调查[D]. 刘喆.安徽农业大学 2017



本文编号：3452806