虚拟染色在下游应用中的实用性及其与任务网络容量的关系
图像与视频处理
2025-08-04 v1 定量方法
摘要
虚拟染色，或即插即用标记，已被提出通过深度学习基于图像到图像的翻译网络，从无标签图像中生成合成荧光图像。大多数已报告的研究仅使用传统图像质量度量（如结构相似性或信噪比）来评估虚拟染色图像。然而，在生物医学成像中，图像通常是为了 facilitate 基于图像的推断，这我们称之为下游生物或临床任务。本研究系统性地调查了虚拟染色对于促进临床相关下游任务（如分割或分类）的实用性，考虑所用于执行任务的深度神经网络的容量。使用生物学数据集进行了全面实证评估，通过无标签、虚拟染色和真实荧光图像来评估任务性能。结果表明，虚拟染色的实用性主要取决于分割或分类任务网络提取有意义任务相关信息的能力，这与网络容量的概念有关。提供了示例，其中虚拟染色在任务网络容量足够大时并不提高，甚至会降低分割或分类性能。结果表明，应在决定是否进行虚拟染色时考虑任务网络容量。
引用
@article{arxiv.2508.00164,
title = {On the Utility of Virtual Staining for Downstream Applications as it relates to Task Network Capacity},
author = {Sourya Sengupta and Jianquan Xu and Phuong Nguyen and Frank J. Brooks and Yang Liu and Mark A. Anastasio},
journal= {arXiv preprint arXiv:2508.00164},
year = {2025}
}