Concepts de base
Entwicklung realistischer synthetischer Zytologiebilder durch Übersetzung von Histopathologiebildern
Résumé
In dieser Studie wurde untersucht, wie Zytologiebilder aus Histopathologiebildern generiert werden können. Dafür wurden zwei Bildübersetzungsmodelle, CycleGAN und Neural Style Transfer, verwendet.
Schlüsselergebnisse:
- Die mit CycleGAN generierten synthetischen Zytologiebilder zeigten eine hohe Ähnlichkeit zu echten Zytologiebildern, gemessen an FID- und KID-Scores.
- Die mit Neural Style Transfer generierten Bilder konnten zwar den Stil von Zytologiebildern nachahmen, aber die morphologischen Eigenschaften wie Zellgröße und Zellcluster wurden nicht korrekt wiedergegeben.
- Die Ergebnisse zeigen, dass CycleGAN ein vielversprechendes Modell ist, um realistische synthetische Zytologiebilder aus Histopathologiebildern zu erzeugen.
Stats
Die Histopathologiebilder stammen aus dem öffentlich verfügbaren BreakHis-Datensatz und die Zytologiebilder aus dem JUCYT-Datensatz.
Citations
"Synthetische Zytologiebilder, die mit CycleGAN generiert wurden, zeigen eine höhere Ähnlichkeit zu echten Zytologiebildern als Bilder, die mit Neural Style Transfer erstellt wurden."
"Die mit CycleGAN generierten Bilder erfassen die semantischen Strukturen der Objekte aus den Histopathologiebildern, während die Neural-Style-Transfer-Bilder nur den Stil, aber nicht die morphologischen Informationen wiedergeben."