- 3 次围观
将无标记显微成像与虚拟染色相结合，有望降低荧光显微成像的成本和实验负担，但其实际影响取决于推理结果的可泛化性。大多数虚拟染色研究采用针对自然图像开发的图像质量评估（image quality assessment，IQA）指标来评估性能，然而这些指标在多大程度上适用于显微图像尚不明确。在本研究中，我们在受控图像退化和真实的分布外虚拟染色条件下，考察了七种常用的全参考训练目标与评价指标——MAE、PSNR、SSIM、前景区域PSNR和SSIM、LPIPS以及DISTS——的表现。我们对涵盖18种细胞系、不同接种密度和荧光通道的Cell Painting图像施加了分级的强度、纹理和形态学变换。在控制退化程度后，通道、细胞系身份和接种密度仍可解释指标变化中的相当大部分。DISTS和前景区域指标在退化敏感性与生物学不变性之间表现出更有利的平衡，但没有任何指标能够在不受生物学背景影响的情况下反映性能。通过逐步加剧图像退化并评估相应的指标退化，我们进一步发现，大多数指标仅使用了其名义数值范围中的很小一部分，并且常常在图像退化仍在肉眼可见地持续时便已达到平台期。随后，我们分别在五种U2-OS接种密度的数据上训练了三种常用的虚拟染色模型架构（UNet、WGAN-GP和UNeXt），并在17种未见过的细胞系上对模型预测结果进行指标计算。我们观察到，模型架构与用于训练的U2-OS接种密度共同解释的指标变化不足2%。目视检查表明，不同细胞系获得的相近评分可能对应于定性上截然不同的误差，例如细胞形态和标志物强度方面的差异。这些发现表明，传统IQA指标无法有效迁移至虚拟染色应用。针对真实应用（例如无标记高内涵药物筛选）来选择或优化虚拟染色模型时，应转而采用以应用为导向的方法。
将无标记显微成像与虚拟染色相结合，有望降低荧光显微成像的成本和实验负担，但其实际影响取决于推断结果的可泛化性。大多数虚拟染色研究采用针对自然图像开发的图像质量评价（image quality assessment，IQA）指标来评估性能，然而这些指标在多大程度上适用于显微图像仍是未知的。在本研究中，我们在受控图像退化和真实的分布外虚拟染色条件下，考察了七种常用的全参考训练目标与评价指标的表现，包括平均绝对误差（MAE）、峰值信噪比（PSNR）、结构相似性指数（SSIM）、前景PSNR和SSIM、学习感知图像块相似度（LPIPS）以及深度图像结构与纹理相似度（DISTS）。我们对涵盖18种细胞系、不同接种密度和荧光通道的Cell Painting图像施加了分级的强度、纹理和形态变换。在控制退化程度后，通道、细胞系身份和接种密度仍可解释指标变化中的相当大部分。DISTS和前景指标在退化敏感性与生物学不变性之间表现出更有利的平衡，但没有任何指标能够在不依赖生物学背景的情况下报告性能。通过逐步加剧图像退化并评估相应的指标下降，我们进一步发现，大多数指标仅使用了其名义数值范围中的一小部分，并且在图像退化仍以肉眼可见的方式持续时，指标往往已经达到平台期。随后，我们分别针对五种U2-OS接种密度训练了三种常用的虚拟染色模型架构（UNet、WGAN-GP和UNeXt），并在17种未见过的细胞系上计算模型预测结果的各项指标。我们观察到，模型架构与U2-OS训练接种密度共同解释的指标变化不足2%。目视检查表明，不同细胞系获得的相近评分可能对应定性上截然不同的误差，例如细胞形态和标志物强度方面的差异。这些发现表明，传统IQA指标无法有效迁移至虚拟染色应用。针对真实应用（例如无标记高内涵药物筛选）对虚拟染色模型进行选择或优化时，应转而采用面向具体应用的策略。
📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.08.31.748410v1?rss=1
🏷️ 虚拟染色 显微图像质量评估 无标记显微成像 图像质量指标 高内涵药物筛选