CWT-Net: Super-resolution of Histopathology Images Using a Cross-scale Wavelet-based Transformer
Feiyang Jia, Zhineng Chen, Ziying Song, Lin Liu and Caiyan Jia
超分辨率(SR)旨在提高低分辨率图像的质量,并广泛应用于医学成像。 我们发现大多数现有方法的设计原则受到基于现实世界图像的SR任务的影响,并且不考虑病理图像中多级结构的重要性,即使它们能够实现值得尊敬的客观度量评估。 在这项工作中,我们深入研究了两个超分辨率的工作范式,并提出了一个名为CWT-Net的新网络,该网络利用跨尺度的图像小波变换和变形器架构。 我们的网络由两个分支组成:一个致力于学习超分辨率,另一个致力于高频小波特性。 为了生成高分辨率组织病理学图像,Transformer模块在不同阶段共享和融合了这两个分支的特征。 值得注意的是,我们设计了一个专门的小波重建模块,以有效增强小波域功能,并使网络能够以不同的模式运行,从而从跨尺度图像中引入额外的相关信息。 我们的实验结果表明,我们的模型在性能和可视化评估方面都显著优于最先进的方法,可以大大提高图像诊断网络的准确性。
Super-resolution (SR) aims to enhance the quality of low-resolution images and has been widely applied in medical imaging. We found that the design principles of most existing methods are influenced by SR tasks based on real-world images and do not take into account the significance of the multi-level structure in pathological images, even if they can achieve respectable objective metric evaluations. In this work, we delve into two super-resolution working paradigms and propose a novel network c...
