Adversarial Stain Transfer for Histopathology Image Analysis（简介）

最新推荐文章于 2024-12-19 17:10:08 发布

二亩三分地

最新推荐文章于 2024-12-19 17:10:08 发布

阅读量623

点赞数

分类专栏：医学成像相关

6 篇文章

订阅专栏

本文介绍了一种针对组织病理学图像分析的任务，如分类和分割，提出了一个结合内在染色归一化的判别模型。模型通过对抗染色迁移网络和特定任务网络，能有效处理不同染色表现的图像，无需额外预处理。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

本文所提出方法的目标是为给定的组织病理学图像分析任务(例如，分类或分割)建立一个带有内在染色归一化组件的判别模型。这种模型应该能够处理具有不同统计特性的图像(即，不同染色表现），不需要额外的训练或预处理。

染色也可以看作是分割任务。

一、该论文中提出的网络结构：

$x^A$ ：用于训练的图片，来自病理学实验室A。

$y^A$ ： $x^A$ 对应的注释，如，类别标签或分割掩码。

$\{x^B\}$ ：测试图片的集合，与A有相同的组织类型，由于获取过程不同（如，染色剂不同或扫描用的显微镜不同）所以染色表现不同，来自病理学实验室B。

生成网络 $G(x^B;\Theta _G)$ ：

又称染色迁移网络，采用了encode-decode结构和残差连接（在块与块之间用灰色虚线标出）。

通过学习生成与训练图片 $\{x^A\}$ 在染色表现方面相似的图片 $\{\hat{x}^B\}$ ，且与测试图片 $\{x^B\}$ 要在内容上相似。

判别网络 $C(x;\Theta _C)$ ：

又称特定任务网络，采用了AlexNet结构，同时进行判别和分类。该网络根据从训练集分布中提取的图像以及生成的与测试集类似(就染色而言)的图像进行训练。

判别→估计输入图像来自训练集的概率 $P_1(x)$ 而不是来自生成网络的概率 $P_0(x)$ 。

分类→在给定真实图片 $\{x^A\}$ 和生成图片 $\{\hat{x}^B\}$ 时，预测一个特定任务标签 $\{\hat{y}^A\}$ 。

二、该论文中提到的Loss：

总loss：

$\underset{\Theta _G,\Theta _C}{min}\ \underset{\Theta _C}{max} \ \alpha L_{adv}(C,G)+\beta L_{r}(G) +\gamma L_{C}(G,C)$

1. 对抗损失 $L_{adv}$ ：

$L_{adv}(C,G) = E_{x\sim {x^A}}[ log C(x;\Theta _C)]\ +\ E_{x\sim {x^B}}[log(1-C(G(x;\Theta _G);\Theta _C))]$

2. 正则化损失 $L_{r}$ ：

$L_{r}(G) = E_{x\sim {x^B}}\left \| W\circ x \ -\ W\circ G(x;\Theta _G) \right \|_2$

W：输入图片 $\{x^B\}$ 的颜色梯度向量域，用于捕捉图片 $x^B$ 的边界，

$\circ$ ：Hadamard 积

该 Loss 实际上是加权的L2损失。与 W 做乘积重在惩罚生成图片和输入图片在边界位置上的不同。

此外，所使用带有跳跃层的encoder-decoder架构可使不同层次上的信息从编码器流向解码器，从而保留了一些与纹理相关的低层信息（如，边界）。

3. 类别损失 $L_{c}$ ：

$L_{c}(G,C)=E_{x,y\sim \{\hat{x}^B,\hat{y}^B\}}[log C_y(G(x;\Theta _G);\Theta _C)]\ +\ E_{x,y\sim \{x^A,y^A\}}[log C_y(x;\Theta _C)]$

第一个期望对应于生成图片的类别损失， $\hat{y}^B$ 为生成图片的预测类别。

第二个期望表示训练图片的类别损失。

算法的伪代码如下：

算法 1 总结了所提方法的训练过程。

在每轮训练中，先计算 $L_{adv}$ 对于 $\Theta_C$ 的梯度，并更新参数（梯度上升）；然后计算 $L_{C}$ 对于 $\Theta_C$ 的梯度，并更新参数（最小化 $L_{C}$ ）；最后更新 $\Theta_G$ ，计算 $L_{adv}+L_r$ ，进行梯度下降。