苗乔伟,杨 淇,李爱佳,罗文劼

(河北大学 网络空间安全与计算机学院,河北 保定 071000)

0 概述

目前,许多疾病的诊断仍然依赖于高倍数显微镜对微观细胞或结构进行观测[1-3],然而现有的高倍数显微镜价格高,需要专业人员进行操作且操作步骤复杂,因此其不利于在落后地区进行大规模部署。

自蒙特利尔大学的GOODFELLOW等人提出了生成式对抗网络[4](Generative Adversarial Network,GAN)的概念以来,GAN模型得到迅速发展和广泛的应用,并形成了大量的变体。目前针对超分辨率领域和风格转换方面有SRGAN[5]、StyleGAN[6-7]、CycleGAN[8-9]等。尽管多种GAN的变体[10-12]在风格迁移或者超分辨率方面取得了重要进展,并在衡量评分上不断取得突破,但是在细胞图像由低倍数显微生成高倍数显微图像方面,单一类型网络都不能达到较好的效果。主要是因为高低两种倍数的显微图片具有如下差异:高倍数细胞显微图像与低倍数细胞显微图像风格不同,如对比在1 000倍显微镜拍摄的高倍数图像与在400倍显微镜下采集的低倍数图像,其图像视野中明暗与细胞图像的纹理、色彩、视觉模式有很大不同;高倍数显微图像中可以观测到细胞内部的微观结构,如细胞核等,而在低倍数显微图像中的微观结构表现不明显;在数据采集过程中,高倍数显微图像与低倍数显微图像往往是不配对的,即未必能采集到同一个细胞同一时间与同一环境下的高倍数显微图像与低倍数显微图像,从而造成训练上的困难。

由于细胞图像特性,单纯的超分辨率方法只能放大细胞图像而无法还原细胞内部结构信息,且模型训练需要依赖大量的配对数据。……