用于人脑细胞分布图像修复的去噪扩散概率模型

成像和高性能计算的最新进展使得在细胞水平对整个人类大脑进行成像成为可能。这是研究大脑多尺度结构的基础，涉及脑区和核团、皮层分层、功能柱和细胞簇的细分，直至单细胞形态。脑图谱绘制和细胞分割方法利用此类图像实现对完整组织学切片序列中细胞构筑和细胞分布的快速自动分析。然而，图像数据中由缺失切片、组织撕裂或染色差异引起的不可避免的处理伪影，仍是导致所得图像数据出现缺口的主要原因。为此，我们旨在提供一种能够可靠填补缺失信息的模型，遵循不同尺度下真实的细胞分布。受图像生成近期成功的启发，我们提出了一种去噪扩散概率模型（DDPM），该模型在细胞体染色切片的光学显微扫描图像上训练。我们用RePaint方法扩展该模型，以填补缺失或替换损坏的图像数据。我们表明，我们训练的DDPM能够为此生成高度真实的图像信息，生成合理的细胞统计和细胞构筑模式。我们使用在同一数据上训练的两个既定下游任务模型验证了它的输出。