组织病理学分析中的对抗染色迁移
本文所提出方法的目标是为给定的组织病理学图像分析任务(例如，分类或分割)建立一个带有内在染色归一化组件的判别模型。这种模型应该能够处理具有不同统计特性的图像(即，不同染色表现），不需要额外的训练或预处理。
染色也可以看作是分割任务。
一、该论文中提出的网络结构：
：用于训练的图片，来自病理学实验室A。
：
对应的注释，如，类别标签或分割掩码。
：测试图片的集合，与A有相同的组织类型，由于获取过程不同（如，染色剂不同或扫描用的显微镜不同）所以染色表现不同，来自病理学实验室B。
生成网络
：
又称染色迁移网络，采用了encode-decode结构和残差连接（在块与块之间用灰色虚线标出）。
通过学习生成与训练图片
在染色表现方面相似的图片
，且与测试图片
要在内容上相似。
判别网络
：
又称特定任务网络，采用了AlexNet结构，同时进行判别和分类。该网络根据从训练集分布中提取的图像以及生成的与测试集类似(就染色而言)的图像进行训练。
判别→估计输入图像来自训练集的概率
而不是来自生成网络的概率
。
分类→在给定真实图片
和生成图片
时，预测一个特定任务标签
。
二、该论文中提到的Loss：
总loss：
1. 对抗损失 
：
2. 正则化损失 
：
W：输入图片 
的颜色梯度向量域，用于捕捉图片 
的边界，
：Hadamard 积
该 Loss 实际上是加权的L2损失。与 W 做乘积重在惩罚生成图片和输入图片在边界位置上的不同。
此外，所使用带有跳跃层的encoder-decoder架构可使不同层次上的信息从编码器流向解码器，从而保留了一些与纹理相关的低层信息（如，边界）。
3. 类别损失 
：
第一个期望对应于生成图片的类别损失，
为生成图片的预测类别。
第二个期望表示训练图片的类别损失。
算法的伪代码如下：
算法 1 总结了所提方法的训练过程。
在每轮训练中，先计算 
对于
的梯度，并更新参数（梯度上升）；然后计算 
对于
的梯度，并更新参数（最小化
）；最后更新
，计算
，进行梯度下降。