COMI:通过深度学习校正散焦的显微图像
显微图像广泛用于科学研究和医学发现。 但是,通过低成本显微镜获得的图像通常无法聚焦,从而导致研究和诊断性能较差。
我们提出了一种基于循环生成对抗网络(CycleGAN)的模型和多分量加权损失函数来解决此问题。 通过分析哺乳动物细胞从原生动物寄生虫到细胞核,肌动蛋白和线粒体的各种细胞结构,我们的方法在不同的研究领域显示出良好的泛化能力,这为生物成像提供了广阔的前景。
所提出的方法包括两个生成器(源生成器和目标生成器)和两个鉴别器(源鉴别器和目标鉴别器)。 源发生器将离焦图像转换为聚焦图像,然后目标判别器会尝试将真实的聚焦图像与生成的聚焦图像区分开;目标发生器会将聚焦图像转换为离焦图像,然后源识别器会尝试区分真实的离焦图像和生成的离焦图像。
1.先决条件
Ubuntu 16.04
特斯拉K40C GPU
Python 3.6
凯拉斯2.2.4
Te
2022-11-17 20:45:52
5.76MB
Python
1