结构保留标记训练样本的对抗生成,用于单细胞细分的单细胞细分
Ervin Tasnadi1, Alex Sliz-Nagy2, Peter Horvath3
1Synthetic and Systems Biology Unit, Biological Research Centre, Eötvös Loránd Research Network, 6726 Szeged, Hungary; Doctoral School of Computer Science, University of Szeged, 6720 Szeged, Hungary; Single-Cell Technologies, Ltd, 6726 Szeged, Hungary.
Cell reports methods
|September 19, 2023
概括
生成对抗网络 (GAN) 创建合成显微镜图像和面具,以提高复杂组织的实例细分精度. 这种数据增强策略优于传统方法,为生物研究提供更准确的对象面具.
科学领域:
- * 计算生物学 计算生物学
- * 图像分析 图像分析
- * 显微镜技术
背景情况:
- *对显微镜数据进行准确的实例细分对于分析复杂组织结构至关重要.
- * 传统的数据增强方法可能无法完全捕捉生物样本中的变异性.
- *生成对抗网络 (GAN) 为合成数据生成提供了一个强大的方法.
研究的目的:
- * 引入一种新的生成数据增强策略,以改善显微镜数据的实例细分.
- * 通过合成数据来提高细分复杂组织结构的准确性.
- * 评估基于GAN的增强与传统方法的有效性.
主要方法:
- *使用正规和有条件的生成对抗网络 (GAN) 进行图像对图像翻译的管道开发.
- *生成合成显微镜图像和相应的实例面具,模拟物体分布,形状和外观.
- *使用生成的合成数据对实例细分网络 (如StarDist,Cellpose) 进行训练.
主要成果:
- *在两个单细胞分辨率组织数据集上,在下游实例细分任务中表现出更高的准确性.
- * 与使用原始数据或基本增强的培训策略相比,表现优越.
- *使用Fréchet Inception Distances量化面具质量,表明合成面具比传统模拟方法更接近地面真相.
结论:
- * 拟议的生成数据增强策略显著提高了显微镜数据的实例细分精度.
- *基于GAN的合成数据生成为复杂的生物成像提供了传统方法的强大的替代方案.
- *这种方法有望促进细胞生物学和组织成像中的定量分析.
