一种细胞荧光显微图像饱和伪影修复算法

摘要

细胞的荧光显微镜图像包含丰富的表型特征，这些表型特征被用于研究细胞内物质的吸收和运输、化学物质的分布和定位等.这些分析需要高质量的细胞图像，然而饱和伪影会导致生物表型特征的严重丢失，这将影响形态学分析和一些分类实验.从数据的后处理角度出发，提出了一种基于生成对抗网络的两阶段细胞图像修复模型，以解决饱和伪影导致的表型特征丢失问题.该模型能够修复大面积的缺失表型特征区域.通过4组实验测试了修复图像的有效性和可信度.结果表明，修复结果填补了丢失的表型特征，提高了分析中的图像质量.使用分类实验作为细胞形态学分析实验的代表，对修复前后的细胞图像进行分类实验，结果证明修复饱和伪影后的图像可以提高基于细胞形态分析的实验准确性.

关键词

荧光显微图像 / 饱和伪影 / 图像修复 / 深度学习 / 生成对抗网络