用CycleGAN实现显微图像到伪H&E染色病理图像的无配对转换。

An Example for Domain Adaptation Using CycleGAN

• 基于循环一致性对抗网络，实现无配对图像转换。
• 成功将显微图像转为类H&E染色的病理图像。
• 适用于医学图像增强，尤其适合数据稀缺场景。

循环一致对抗网络（CycleGAN）在域适应中展现出巨大潜力。本文以医学领域为例，介绍一种用于无配对图像到图像翻译的CycleGAN模型结构，可将显微图像转换为伪H&E染色的组织病理学图像，无需成对训练数据，有效缓解真实染色样本获取难的问题。

原文摘要 · Abstract (English)

Cycle-Consistent Adversarial Network (CycleGAN) is very promising in domain adaptation. In this report, an example in medical domain will be explained. We present struecture of a CycleGAN model for unpaired image-to-image translation from microscopy to pseudo H\&E stained histopathology images.

Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。