摘要
高质量的组织病理图像对准确诊断和对症治疗具有重要意义。但病理图像在获取的过程中由于异物叠加和处理不当等因素，局部交叉污染或数据缺失是常见的现象，对这些图像的解释是耗时、费力且不准确的。因此，有必要通过病理图像的重建来提高诊断的准确性，然而，修复损坏的图像是一项具有挑战性的任务，特别是对细节较多的病理图像。 针对上述问题，本文提出一种多尺度自注意力生成对抗网络(MSSAGAN)来修复病理图像。MSSAGAN利用生成器中的区域自注意力机制，在多个尺度上有效地学习损坏区域和未损坏区域之间的相关性以及损坏区域自身的内在相关性。通过联合损失函数来优化网络参数并学习病理图像的语义特征后，引导生成器在不同尺度上生成具有精确细节的修复病理图像。实验表明，MSSAGAN在部分污染的结肠病理图像数据集上，得到了较好的修复效果。修复后图像的均方根误差可达2.094，峰值信噪比为41.96dB，结构相似性达到0.9979。与其他修复方法进行定性和定量比较，证明了MSSAGAN在病理图像修复中的优越性。 在病理图像修复的过程中，相比规则缺失区域，不规则缺失区域更为常见，因此本文提出多尺度门控循环生成对抗网络(MGGAN)来进行图像修复，首先该网络的生成器在自编码器的基础上，在跳跃连接中加入了门控循环单元(GRU)网络，可以有选择性地传递图像关键信息而忽略无用信息，减少无用信息的干扰，其次为了提高修复后图像的分辨率，本文在自编码器中加入了残差密集模块，最后结合判别器在不断对抗的过程中实现病理图像的修复，通过对不规则缺失区域的病理图像修复，峰值信噪比最高可达41.58dB，结构相似性最高达到0.996，均方根误差最高达到2.679，实验结果表明MGGAN能够生成高质量的修复图像。
NETL