交叉调制少样本图像生成用于结直肠组织分类

文章目录

  • [Cross-Modulated Few-Shot Image Generation for Colorectal Tissue Classification](#Cross-Modulated Few-Shot Image Generation for Colorectal Tissue Classification)

Cross-Modulated Few-Shot Image Generation for Colorectal Tissue Classification

摘要

  1. 提出问题:

    • 针对罕见癌症组织的组织病理训练数据稀缺问题,他们提出了少样本结直肠组织图像生成方法。
  2. 方法介绍:

    • 提出的方法名为XM-GAN,接受一个基准图像和一对参考组织图像作为输入,生成高质量且多样化的图像。
    • 在XM-GAN中,采用了一种新颖的可控融合块,通过密集聚合参考图像和基准图像中局部区域的相似性,产生局部一致的特征。
  3. 研究贡献:

    • 他们是第一个研究结直肠组织图像中少样本生成的团队。
    • 通过广泛的定性、定量和专家(病理学家)评估,对其提出的方法进行评估。
  4. 评估结果:

    • 在专家评估中,病理学家仅在55%的时间内能够区分XM-GAN生成的组织图像和真实图像。
    • 利用生成的图像作为数据增强,解决少样本组织图像分类任务,在平均准确率方面取得了4.4%的提升。

方法


Fig. 1 : XM-GAN由一个CNN编码器、一个基于Transformer的可控融合块(CFB)和一个用于组织图像生成的CNN解码器组成。对于K-shot设置,一个共享编码器 F E F_E FE接受一个基准组织图像 x b x^b xb 以及 K − 1 K-1 K−1 个参考组织图像 x i r e f i = 1 K − 1 {x^{ref}i}^{K-1}{i=1} xirefi=1K−1,分别输出视觉特征 h b h^b hb 和 h i r e f h^{ref}_i hiref。在CFB中,一个映射网络计算元权重,用于在交叉注意力期间生成特征重新加权的调制权重。交叉注意力得到的特征 f i f_i fi 被融合并输入到解码器 (FD) 中,生成一幅图像 x ^ \hat{x} x^。


z z z为噪声, α \alpha α为控制参数

实验结果

相关推荐
狒狒AI2 分钟前
DeepSeek Harness 插件生态拆解:31,259 个仓库与 93% 装不上的口径差
人工智能
AI前端工程狮3 分钟前
我把 MCP 长任务拆成三个工具,token 账单涨了 7 倍
javascript·人工智能·程序员
阿里云大数据AI技术5 分钟前
如何用 STAROps Elasticsearch 智能助手看穿“搜索变慢”
人工智能·agent
用户321468751118 分钟前
不会编程也能考AI证书?应用型与技术型认证的门槛差在哪
人工智能
程序员cxuan17 分钟前
GPT-6.2 Astra 发布了,但口碑崩了。。。
人工智能·后端·程序员
SelectDB19 分钟前
让数据更易查、更好用:正泰集团基于 SelectDB 的 AI 应用实践
人工智能
字节跳动数据库32 分钟前
火山引擎缓存数据库:如何构建超大规模缓存集群的无感弹性能力
数据库·人工智能·后端
阿里云大数据AI技术34 分钟前
MaxAgent 实战课堂(二):从单作业诊断到作业定时巡检
人工智能
泯泷37 分钟前
给你一个免费的20人 AI 团队,你的胜算真的变大了吗?
人工智能·llm