基于知识蒸馏的数字染色：面向无配对及配对错位数据的统一框架

染色在细胞成像和医学诊断中至关重要，但面临高成本、耗时、耗力和组织组织不可逆变性等显著挑战。最近的深度学习进展已实现数字染色，通过监督模型训练。然而，收集大规模完美配对的染色和未染色图像仍然困难。本文提出了一种新型无监督深度学习框架，用于数字细胞染色，通过知识蒸馈减少对大量配对数据的需求。我们探索了两种训练方案：(1) 无配对情况；(2) 配对但错位的情况。对于无配对情况，我们引入了一个两阶段流程，包括亮度增强 followed by colorization，作为教师模型。随后，我们通过知识蒸馈获得包含混合非参考损失的学生染色生成器。为充分利用相邻切片之间的像素级信息，我们进一步扩展到配对但错位的情况，添加Learning to Align模块以利用像素级信息。实验结果表明，我们提出的无监督深度染色方法在两种情况下都能生成更准确位置和形状的细胞目标染色图像。与竞争方法相比，我们的方法在定性和定量（例如NIQE和PSNR）上均取得改进。我们将数字染色方法应用于白血球(WBC)数据集，探讨其在医学应用中的潜力。