用于生物学图像中细长结构分割的条件生成框架：合成数据增强
计算机视觉与模式识别
2026-04-01 v3
摘要
细长纤维状结构，如微管和肌动蛋白纤维，常在生物系统中发挥重要作用。对这些纤维在生物学图像中的分割是定量分析的基本步骤。近期深度学习的进展显著提高了纤维分割的性能。然而，获取高质量像素级标注数据集是一个巨大挑战，因为纤维的稠密分布和几何特性使得手动标注极其费时费力。为解决数据不足问题，本文提出一种基于Pix2Pix架构的条件生成框架，用于从二值掩码生成 microscopy 图像中的真实纤维。我们还提出了一种纤维感知结构损失，以提高生成合成图像的结构相似性。我们的实验表明，我们的方法有效且优于不使用合成数据的现有模型。
引用
@article{arxiv.2512.10334,
title = {A Conditional Generative Framework for Synthetic Data Augmentation in Segmenting Thin and Elongated Structures in Biological Images},
author = {Yi Liu and Yichi Zhang},
journal= {arXiv preprint arXiv:2512.10334},
year = {2026}
}
备注
Accepted at the International Conference on Artificial Intelligence, Computer, Data Sciences and Applications (ACDSA 2026)