基于知识蒸馏的显微细胞图像无监督深度数字染色

染色对细胞成像和医学诊断至关重要，但其昂贵、耗时、劳动密集，并会对细胞组织造成不可逆的改变。深度学习的最新进展使得通过监督模型训练实现数字染色成为可能。然而，在实践中难以获得大规模染色/未染色细胞图像对，且这些图像对需要在监督下完美对齐。在这项工作中，我们提出了一种新颖的无监督深度学习框架，利用知识蒸馏和生成对抗网络(GANs)进行细胞图像的数字染色。首先训练一个教师模型主要用于明场图像的上色。之后，通过带有混合无参考损失的知识蒸馏获得用于染色的学生GAN。我们表明，所提出的无监督深度染色方法能够生成具有更准确细胞目标位置和形状的图像。与其他用于染色的无监督深度生成模型相比，我们的方法在定性和定量上均取得了更有前景的结果。