DermoGAN:多任务周期生成对抗网络,用于在in-vivo反射共聚焦显微镜图像上对人类表皮进行无监督的自动细胞识别
Imane Lboukili1,2, Georgios Stamatas1, Xavier Descombes2
1Johnson & Johnson Santé Beauté France, Paris, France.
Journal of biomedical optics
|August 5, 2024
概括
本研究引入了一种用于识别表皮细胞在反射共聚焦显微镜图像中的自动化方法. 新方法实现了专家级准确性,克服了手动分析的局限性.
科学领域:
- 皮肤病学 皮肤病学
- 医疗成像医学成像
- 计算生物学 计算生物学
背景情况:
- 用于表皮细胞识别的反射共聚焦显微镜 (RCM) 图像的手动分析耗时且容易出现错误.
- 低质量的图像,噪音和RCM图像中的异质性阻碍了准确的手动分析.
- 精确的表皮细胞识别对于了解健康和疾病中的皮肤结构至关重要.
研究的目的:
- 开发一种自动化管道,用于从RCM图像中分析表皮结构.
- 为了克服手动细胞识别在RCM图像中的局限性.
主要方法:
- 提出了一种使用循环生成对抗网络的双重任务网络,用于在RCM图像中自动识别角质细胞.
- 第一个任务是将真实的RCM图像转换为二进制图像,学习噪音和纹理. 第二个任务将Gabor过的RCM图像映射到二进制图像中,学习表皮结构.
- 使用StarDist算法检测星形状的精细细胞识别,确保完整的膜和隔离邻近的细胞.
主要成果:
- 该自动化方法在模拟和真实RCM数据上实现了与专家识别相提并论的准确性.
- 评估指标包括回忆力,精度和F1分数.
- 双重任务网络方法通过缩小解决方案空间,显示出更好的整体结果.
结论:
- 提出的完全无监督的方法成功地在RCM图像中识别了角质细胞.
- 该方法实现了与专家识别相当的准确性,而不需要大量的注释数据.
- 该方法可适应各种成像技术,无需再培训.
