CellCycleGAN：基于统计形状模型与条件 GAN 的细胞群体时空显微图像合成
图像与视频处理
2021-01-28 v2 计算机视觉与模式识别
机器学习
细胞行为
摘要
对时空显微图像的自动分析在生命科学前沿研究中不可或缺。深度学习的最新进展为此类图像数据的自动分析提供了有力工具，但其良好性能严重依赖于所提供的训练数据的数量与质量。为此，我们开发了一种用于真实生成荧光标记细胞核的合成 2D+t 显微图像数据的新方法。该方法将不同细胞周期阶段的时空统计形状模型与条件 GAN 相结合，以生成细胞群体的时间序列，并提供对生成细胞的细胞周期阶段和荧光强度的实例级控制。我们展示了 GAN 条件化的效果，并创建了一组可用于细胞分割与跟踪方法训练和基准测试的合成图像。
引用
@article{arxiv.2010.12011,
title = {CellCycleGAN: Spatiotemporal Microscopy Image Synthesis of Cell Populations using Statistical Shape Models and Conditional GANs},
author = {Dennis Bähr and Dennis Eschweiler and Anuk Bhattacharyya and Daniel Moreno-Andrés and Wolfram Antonin and Johannes Stegmaier},
journal= {arXiv preprint arXiv:2010.12011},
year = {2021}
}
备注
5 pages, 3 figures