j 2020

When Deep Learning Meets Cell Image Synthesis

KOZUBEK, Michal

Základní údaje

Originální název

When Deep Learning Meets Cell Image Synthesis

Autoři

Vydání

Cytometry Part A, John Wiley & Sons, 2020, 1552-4922

Další údaje

Jazyk

angličtina

Typ výsledku

Publikace v odborném periodiku – kromě recenzovaných typů article, review a letter

Obor

10201 Computer sciences, information science, bioinformatics

Stát vydavatele

Spojené státy

Utajení

není předmětem státního či obchodního tajemství

Odkazy

Impakt faktor

Impact factor: 4.355

Označené pro přenos do RIV

Ne

Organizační jednotka

Fakulta informatiky

DOI

UT WoS

Klíčová slova anglicky

cell image synthesis; deep learning; style transfer; generative adversarial networks

Štítky

Příznaky

Mezinárodní význam
Změněno: 27. 4. 2020 22:45, RNDr. Pavel Šmerk, Ph.D.

Anotace

V originále

Deep learning methods developed by the computer vision community are successfully being adapted for use in biomedical image analysis and synthesis applications with some delay. Also in cell image synthesis, we can observe significant improvements in the quality of generated results brought about by deep learning. The typical task is to generate isolated cell images based on training image examples with cropped, centered, and aligned individual cells. While the first trials to use generative adversarial networks (GANs) without any object detection or segmentation had limited capabilities, the recent article by Scalbert et al. 1 has shown that significant improvement can be obtained by splitting the task into (1) learning and generating object (cell and/or nuclei) shapes based on image segmentation, and (2) learning and generating the texture separately for each segment type including the background using so‐called style transfer.

Návaznosti

EF16_013/0001775, projekt VaV
Název: Modernizace a podpora výzkumných aktivit národní infrastruktury pro biologické a medicínské zobrazování Czech-BioImaging
90062, velká výzkumná infrastruktura
Název: Czech-BioImaging