Phenotype-preserving metric design for high-content image reconstruction by generative inpainting

要約

過去数十年にわたり、自動ハイコンテンツ顕微鏡検査は、表現型薬物スクリーニングやシステム生物学アプリケーションの多用途性を高める大量の画像ベースのデータを提供できる能力を実証してきました。
しかし、画像ベースのデータセットのサイズが大きくなるにつれて、人間が画像内の画像化およびサンプル準備アーティファクトの存在を制御、回避、克服することが不可能になってきました。
機械学習や深層学習などの新しい技術は、生成画像修復を通じてこれらの欠点に対処する可能性がありますが、機密の研究データに適用すると、望ましくない画像操作が犠牲になる可能性があります。
望ましくない操作は、一部の人工ニューラル ネットワークが陥りやすい神経幻覚などの現象によって引き起こされる可能性があります。
これに対処するために、ここでは、標識された核を持つ培養細胞のハイコンテンツ蛍光顕微鏡データセットにおける画像修復のための最先端の修復方法を評価します。
DeepFill V2 や Edge Connect などのアーキテクチャが、比較的少ないデータで微調整すると顕微鏡画像を忠実に復元できることを示します。
私たちの結果は、復元する領域の面積が形状よりも重要であることを示しています。
さらに、修復の品質を制御するために、新しい表現型保存指標設計戦略を提案します。
この戦略では、細胞核などの復元された生物学的表現型のサイズと数を定量化し、望ましくない操作を罰します。
私たちは、私たちのアプローチの設計原則は他のアプリケーションにも一般化できる可能性があると主張します。

要約(オリジナル)

In the past decades, automated high-content microscopy demonstrated its ability to deliver large quantities of image-based data powering the versatility of phenotypic drug screening and systems biology applications. However, as the sizes of image-based datasets grew, it became infeasible for humans to control, avoid and overcome the presence of imaging and sample preparation artefacts in the images. While novel techniques like machine learning and deep learning may address these shortcomings through generative image inpainting, when applied to sensitive research data this may come at the cost of undesired image manipulation. Undesired manipulation may be caused by phenomena such as neural hallucinations, to which some artificial neural networks are prone. To address this, here we evaluate the state-of-the-art inpainting methods for image restoration in a high-content fluorescence microscopy dataset of cultured cells with labelled nuclei. We show that architectures like DeepFill V2 and Edge Connect can faithfully restore microscopy images upon fine-tuning with relatively little data. Our results demonstrate that the area of the region to be restored is of higher importance than shape. Furthermore, to control for the quality of restoration, we propose a novel phenotype-preserving metric design strategy. In this strategy, the size and count of the restored biological phenotypes like cell nuclei are quantified to penalise undesirable manipulation. We argue that the design principles of our approach may also generalise to other applications.

arxiv情報

著者 Vaibhav Sharma,Artur Yakimovich
発行日 2023-08-22 17:31:49+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: 92, cs.CV, eess.IV, J.3, q-bio.QM パーマリンク