基于生成式 AI 的图像合成提高流体显微镜中亚可见粒子分类的准确性
计算机视觉与模式识别
2025-08-11 v1 人工智能
机器学习
摘要
使用流体显微镜结合深度学习进行亚可见粒子分析已被证明在识别粒子类型方面效果显著，能够区分无害成分（如硅油）和蛋白质粒子。然而，数据稀缺且粒子类型之间严重不平衡仍是将多分类器应用于此类问题的主要障碍，常迫使研究人员依赖效果较差的方法。上述问题尤其挑战性较大，因为某些粒子类型（如硅油和气泡）是意外出现的且数量较少，而蛋白质粒子通过受控设置获取大量图像相对容易。本文开发了一种最新渐变模型，通过生成高保真图像来解决数据不平衡问题，从而增强训练数据集，有效训练多类深度神经网络。我们通过在视觉质量和结构方面证明生成样本与真实粒子图像接近，验证了该方法。为评估使用渐变生成图像在训练数据集中的效果，我们在由 50 万蛋白质粒子图像组成的验证数据集上进行大规模实验，证明该方法在分类性能上有所提升且没有显著负面影响。最后，为促进开放研究和可重复性，我们公开发布了我们的渐变模型、训练好的多类深度神经网络分类器，以及一个简便的界面，便于未来研究集成，网址为 https://github.com/utkuozbulak/svp-generative-ai。
引用
@article{arxiv.2508.06021,
title = {Improved Sub-Visible Particle Classification in Flow Imaging Microscopy via Generative AI-Based Image Synthesis},
author = {Utku Ozbulak and Michaela Cohrs and Hristo L. Svilenov and Joris Vankerschaver and Wesley De Neve},
journal= {arXiv preprint arXiv:2508.06021},
year = {2025}
}