一种由 SSIM 引导的 cGAN 架构用于多重空间蛋白质组学通道的临床驱动生成式图像合成
图像与视频处理
2024-01-08 v2 计算机视觉与模式识别
定量方法
组织与器官
摘要
在此我们提出一种结构相似性指数测度（SSIM）引导的条件生成对抗网络（cGAN），其以生成方式执行图像到图像（i2i）合成，在多重空间蛋白质组学图像中生成照片级准确的蛋白通道。该方法可用于准确生成在实验数据收集（无论是在实验台还是临床中）未包含的空间蛋白质组学缺失通道。来自人类生物分子图谱计划（HuBMAP）的实验空间蛋白质组学数据通过基于 U-Net 的图像合成流程生成缺失蛋白的空间表征。HuBMAP 通道按 SSIM 作为启发式方法进行层次聚类，以获得重现由蛋白空间分布所代表的底层生物学所需的最小集合。我们随后证明，我们基于 SSIM 的架构允许将生成式图像合成扩展至多达 100 个通道的切片，优于当前仅限于 11 通道数据的先进算法。我们通过从人肺腺癌组织切片生成新的实验空间蛋白质组学数据集来验证这些主张，并表明在 HuBMAP 上训练的模型可准确合成来自我们新数据集的通道。从含空间蛋白质组的稀疏染色多重组织学切片中重现实验数据，将对医学诊断和药物开发产生巨大影响，同时也提出了在临床环境中利用生成式图像合成所产生数据之医学伦理的重要问题。我们在本文中提出的算法将使研究者和临床医生在基于蛋白质组学的组织学染色中节省时间和成本，同时增加其通过实验可生成的数据量。
引用
@article{arxiv.2205.10373,
title = {A SSIM Guided cGAN Architecture For Clinically Driven Generative Image Synthesis of Multiplexed Spatial Proteomics Channels},
author = {Jillur Rahman Saurav and Mohammad Sadegh Nasr and Paul Koomey and Michael Robben and Manfred Huber and Jon Weidanz and Bríd Ryan and Eytan Ruppin and Peng Jiang and Jacob M. Luber},
journal= {arXiv preprint arXiv:2205.10373},
year = {2024}
}