用于细胞核分割的多模态显微图像风格迁移
图像与视频处理
2024-10-28 v1 计算机视觉与模式识别
定量方法
摘要
为显微图像标注细胞核分割标签费力且耗时。为利用少量现有标注（并跨多种模态），我们提出了一种基于生成对抗网络（GAN）的新型显微风格增强技术。与其他风格迁移方法不同，它不仅能处理不同的细胞检测类型和光照条件，还能处理不同的成像模态，如明场与荧光显微。利用内容与风格的解耦表示，我们可在增强过程中保持原始图像结构的同时改变其风格。我们在由多种细胞检测类型、光照条件和成像模态组成的2018 Data Science Bowl数据集上评估了我们的数据增强。借助我们的风格增强，竞赛中两种排名最高的基于Mask R-CNN的细胞核分割算法的分割精度显著提升。因此，我们的增强技术使下游任务对测试数据异质性更具鲁棒性，并有助于在不重采样少数类的情况下抵消类别不平衡。
引用
@article{arxiv.2111.12138,
title = {Multi-Modality Microscopy Image Style Transfer for Nuclei Segmentation},
author = {Ye Liu and Sophia J. Wagner and Tingying Peng},
journal= {arXiv preprint arXiv:2111.12138},
year = {2024}
}
备注
This work has been submitted to the IEEE for possible publication