利用扩散方法降低细胞计数中的域间差距

在标签稀缺环境（如每张图像细胞数较多的细胞计数）中训练深度学习模型，关键在于生成逼真的合成显微图像。然而，传统的域适应方法在合成图像缺乏真实样本复杂纹理和视觉模式时，往往难以弥合域间差距。本文将最初用于艺术风格迁移的基于反转的风格迁移（InST）框架应用于生物医学显微图像。该方法结合了潜在空间中的自适应实例归一化（Adaptive Instance Normalization）与扩散模型中的随机反转，实现从实 fluorescence 显微图像将风格迁移到合成图像的同时，弱保持内容结构。我们在包括真实数据、硬编码合成数据和公开 Cell200 数据集等多种数据源上，对使用 InST 生成的合成数据进行下游细胞计数的预训练和微调 EfficientNet-B0 模型效果进行评估。使用我们 InST 生成的图像训练的模型，相对于在硬编码合成数据上训练的模型平均绝对误差（MAE）降低最高可达 37%，相对于在 Cell200 上训练的模型 MAE 降低 52%（从 53.70 降至 25.95）。值得注意的是，我们的方法也优于仅用真实数据训练的模型（25.95 与 27.74 的 MAE 差距）。在将 InST 生成数据与诸如 DACS 加 CutMix 等轻量级域适应技术组合使用时，进一步获得改进。这些发现表明，InST 基于的风格迁移最有效地降低了合成显微数据与真实显微数据之间的域间差距。我们的方法为在降低手动标注 effort 的同时提升细胞计数性能提供了可扩展路径。源代码和资源已公开 disponible at: https://github.com/MohammadDehghan/InST-Microscopy。