Unsupervised Deep Digital Staining For Microscopic Cell Images Via Knowledge Distillation

要約

染色は、細胞イメージングや医療診断に不可欠であり、高価で時間や手間がかかり、細胞組織に不可逆的な変化をもたらす。近年のディープラーニングの進歩により、教師ありモデル学習によるデジタル染色が可能になりました。しかし、実際には大規模な染色/非染色細胞画像ペアを得ることは困難であり、監督と完全に一致させる必要がある。本研究では、知識蒸留と生成的敵対ネットワーク（GAN）を用いた、細胞画像のデジタル染色に向けた新しい教師なし深層学習フレームワークを提案する。まず、主に明視野画像のカラー化のために教師モデルが学習される。その後、ハイブリッド非参照損失を用いた知識蒸留により、染色用の生徒GANを得る。提案する教師なし深層染色法は、より正確な細胞ターゲットの位置と形状を持つ染色画像を生成できることを示す。他の教師なし染色用深層生成モデルと比較して、本手法は質的にも量的にもはるかに有望な結果を達成する。

要約(オリジナル)

Staining is critical to cell imaging and medical diagnosis, which is expensive, time-consuming, labor-intensive, and causes irreversible changes to cell tissues. Recent advances in deep learning enabled digital staining via supervised model training. However, it is difficult to obtain large-scale stained/unstained cell image pairs in practice, which need to be perfectly aligned with the supervision. In this work, we propose a novel unsupervised deep learning framework for the digital staining of cell images using knowledge distillation and generative adversarial networks (GANs). A teacher model is first trained mainly for the colorization of bright-field images. After that,a student GAN for staining is obtained by knowledge distillation with hybrid non-reference losses. We show that the proposed unsupervised deep staining method can generate stained images with more accurate positions and shapes of the cell targets. Compared with other unsupervised deep generative models for staining, our method achieves much more promising results both qualitatively and quantitatively.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL