基于生成式修复的高内涵图像重建中保持表型的度量设计

在过去的几十年中，自动化高内涵显微镜已证明其能够提供大量基于图像的数据，从而支撑了表型药物筛选与系统生物学应用的多样性。然而，随着基于图像的数据集规模增长，人类已无法控制、避免和克服图像中存在的成像与样品制备伪影。尽管机器学习和深度学习等新技术可通过生成式图像修复来解决这些缺陷，但当应用于敏感研究数据时，这可能会以不期望的图像操作为代价。不期望的操作可能由神经幻觉等现象引起，而某些人工神经网络易于出现此类现象。为此，本文在带有标记细胞核的培养细胞高内涵荧光显微镜数据集上评估了用于图像修复的当前最优修复方法。我们表明，诸如 DeepFill V2 和 Edge Connect 等架构在利用相对较少的数据进行微调后，能够忠实地修复显微镜图像。我们的结果表明，待修复区域的面积比形状更为重要。此外，为控制修复质量，我们提出了一种新颖的保持表型的度量设计策略。在该策略中，对修复后的生物表型（如细胞核）的大小和数量进行量化，以惩罚不期望的操作。我们认为，我们方法的设计原则也可能推广到其他应用。