Generalizable Denoising of Microscopy Images using Generative Adversarial Networks and Contrastive Learning

要約

顕微鏡画像はしばしば高レベルのノイズに悩まされ、さらなる分析と解釈を妨げる可能性があります。
この問題に対処するために、コンテンツ認識型画像復元 (CARE) 手法が提案されていますが、多くの場合、大量のトレーニング データが必要であり、オーバー フィッティングに悩まされています。
これらの課題を克服するために、少数ショットの顕微鏡画像のノイズ除去のための新しいフレームワークを提案します。
私たちのアプローチは、対照学習 (CL) によってトレーニングされた敵対的生成ネットワーク (GAN) と 2 つの構造保存損失項 (構造類似性指数と総変動損失) を組み合わせて、少ないデータを使用してノイズ除去された画像の品質をさらに向上させます。
よく知られている 3 つの顕微鏡イメージング データセットでこの方法の有効性を実証し、ノイズ除去の品質を維持しながらトレーニング データの量を大幅に削減できることを示します。これにより、ペア データを取得する負担が軽減され、少数ショットの学習が可能になります。
.
提案されたフレームワークは、他の画像復元タスクに簡単に拡張でき、顕微鏡画像解析の分野を大幅に前進させる可能性があります。

要約(オリジナル)

Microscopy images often suffer from high levels of noise, which can hinder further analysis and interpretation. Content-aware image restoration (CARE) methods have been proposed to address this issue, but they often require large amounts of training data and suffer from over-fitting. To overcome these challenges, we propose a novel framework for few-shot microscopy image denoising. Our approach combines a generative adversarial network (GAN) trained via contrastive learning (CL) with two structure preserving loss terms (Structural Similarity Index and Total Variation loss) to further improve the quality of the denoised images using little data. We demonstrate the effectiveness of our method on three well-known microscopy imaging datasets, and show that we can drastically reduce the amount of training data while retaining the quality of the denoising, thus alleviating the burden of acquiring paired data and enabling few-shot learning. The proposed framework can be easily extended to other image restoration tasks and has the potential to significantly advance the field of microscopy image analysis.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google