减轻过度和的花香图像通过一个半监督的生成对抗网络
Shunxing Bao1, Junlin Guo1, Ho Hin Lee2
1Department of Electrical and Computer Engineering, Nashville, TN, USA.
Proceedings. IEEE International Symposium on Biomedical Imaging
|January 27, 2025
概括
多重复合免疫光 (MxIF) 成像和工件使用一种新的混合生成对抗网络 (HDmixGAN) 来减少. 这种数据驱动的方法提高了生物医学研究中单细胞分析的准确性.
科学领域:
- 生物医学成像学 生物医学成像学
- 计算病理学计算病理学
- 细胞和分子成像成像技术
背景情况:
- 多重免疫光成像 (MxIF) 为细胞分析提供空间上下文.
- 在MxIF图像中的和工件限制了单细胞分辨率和分析.
- 由于和模式不均,现有的校正方法经常失败.
研究的目的:
- 开发一种新的数据驱动方法来纠正MxIF图像中的多轮和器件.
- 通过提高图像质量,提高生物医学研究中单细胞分析的准确性.
- 引入一个混合生成对抗网络 (HDmixGAN) 来进行文物校正.
主要方法:
- 开发了一个双阶段的高分辨率混合生成对抗网络 (HDmixGAN),结合了CycleGAN和pix2pixHD架构.
- CycleGAN被用来从未配对过度和的MxIF数据集生成伪配对数据.
- Pix2pixGAN 在多个 DAPI 染色回合的真实配对和合成数据上进行了训练.
主要成果:
- HDmixGAN 方法在纠正和元件方面表现得更好.
- 在下游核子检测任务中的验证显示F1得分比基线方法增加6%.
- 该方法有效地解决了MxIF成像中的多轮和挑战.
结论:
- 拟议的HDmixGAN方法为MxIF中的多轮和工件提供了专门的解决方案.
- 这种技术通过提高生物医学图像的质量来提高细胞分析的准确性.
- 开发的方法在解决MxIF研究中的图像质量挑战方面取得了重大进展.
