在数字病理学中,许多图像分析任务是挑战,需要大量的耗时的手动数据注释来应对图像域中的各种可变性来源。基于图像到图像转换的无监督域适应在没有手动开销的情况下通过解决变量,在此字段中获得重要性。在这里,我们通过无监督的污渍到污渍翻译来解决不同组织污渍的变化,以实现深度学习分割模型的无关适用性。我们在肾组织病理学中使用污渍到染色翻译的自行合物,并提出了两种提高平移效果的新方法。首先,我们通过语义指导将先前的分段网络集成到自我监督,以自我监督的应用方向优化的翻译中的优化,第二个,我们将额外的通道纳入翻译输出,以隐含地单独分开的人工元信息,以外地编码用于解决问题。重建。后者对未修饰的Cycreatiman进行了部分优异的性能,但前者在所有污渍中表现最佳,提供了大多数肾脏结构的78%和92%的含量为78%至92%,例如肾小球,小管和静脉。然而,Cyclegans在其他结构的翻译中仅显示了有限的性能,例如,动脉。与原始污渍中的分割相比,我们的研究也发现所有污渍中的所有结构的性能稍低。我们的研究表明,随着目前无监督的技术,似乎不太可能生产通常适用的假污渍。
translated by 谷歌翻译