细胞显微镜中生成对抗网络 (GAN) 的系统审查:趋势,实践和对图像增强的影响
Duway Nicolas Lesmes-Leon1,2, Andreas Dengel1,2, Sheraz Ahmed2
1University of Kaiserslautern-Landau (RPTU), Kaiserslautern, Germany.
PloS one
|June 24, 2025
概括
生成对抗网络 (GAN) 通过创建现实的,不存在的样本来增强细胞显微镜图像数据集. 本系统性审查分析了微生物学研究中图像增强的GAN趋势和流行的配置.
科学领域:
- 微生物学 微生物学
- 计算生物学 计算生物学
- 医疗成像医学成像
背景情况:
- 细胞显微镜对于研究微生物至关重要,但数据限制阻碍了研究.
- 生成对抗网络 (GAN) 提供了深度学习解决方案,通过生成合成图像来扩展数据集.
研究的目的:
- 系统地审查使用GAN用于细胞显微镜图像增强的趋势,常见做法和流行的数据集.
- 分析GAN在解决数据可用性限制方面的影响和有效性.
主要方法:
- 在ScienceDirect,IEEE Xplore,PubMed,bioRxiv和arXiv进行系统的文献搜索,寻找使用GAN在细胞显微镜图像上的研究.
- 使用每项研究的15个特征进行数据提取,以分析趋势,流行的架构 (例如,StyleGAN),损失 (例如,Wasserstein) 和数据集.
- 使用ROBIS工具进行偏差风险评估.
主要成果:
- 46项研究符合纳入标准,其中23项专注于图像增强.
- 确定了29个公开可用的数据集,并突出了流行的GAN架构和丢失函数.
- 显示在使用的绩效指标,基线和数据集上缺乏共识.
结论:
- 对于细胞显微镜图像增强,GAN越来越重要,但需要标准化.
- 强调了良好的设计实践和黄金标准对于基于GAN的研究中的可比性和可重现性的重要性.
- 强调需要就评估指标和基准数据集达成共识.
