论文部分内容阅读
在医疗领域,许多疾病的诊断依赖高倍数显微镜对细胞等微观物体的观测,但由于高倍数显微镜价格昂贵,操作复杂,且高倍数细胞显微图像重建工作存在低、高倍数显微图像之间图片风格不统一、细胞图像清晰度不一致和训练数据不匹配等问题。为此,提出高倍数细胞显微图像生成式对抗网络。将全新激活函数引入CycleGAN网络,在生成器中添加新的残差密集块并去掉BN层。同时为确保生成图像真实可信,在生成器训练过程中考虑细节感知损失。实验结果表明,该方法在保留低倍数显微图像基本信息的基础上,能够对高倍数显微图像细节进行有效的还原。