关注内容而非噪声：通过抑制 CycleGAN 中的隐写术改进细胞核分割的图像生成

为训练神经网络而对显微镜图像中的细胞核进行标注是一项费力的工作，需要专业知识，并且尤其在水印荧光显微镜中面临标注者间与标注者内的变异性。诸如 CycleGAN 之类的生成网络可以逆转该过程，并为给定掩码生成合成显微镜图像，从而构建合成数据集。然而，以往工作报道了掩码与生成图像之间的内容不一致，部分原因是 CycleGAN 通过在高频率中隐藏用于图像重建的捷径信息而非编码所需图像内容并学习目标任务来最小化其损失。在这项工作中，我们提出通过采用基于 DCT 的低通滤波来从生成图像中去除称为隐写术的隐藏捷径信息。我们表明这增加了生成图像与循环掩码之间的一致性，并在下游细胞核分割任务上评估了合成数据集。在此我们相比原始 CycleGAN 在 F1 分数上实现了 5.4 个百分点的提升。将先进的正则化技术集成到 CycleGAN 架构中可能有助于缓解隐写术相关问题，并为细胞核分割生成更准确的合成数据集。