Exploring image-to-image translation techniques for microscopy images

Abstract

Fluorescent labeling plays a crucial role in the development of new drugs and the analysis and diagnosis of tumors. Biologists utilize these images to examine cellular morphology, structures, and phenotypes, which can be done manually or, more recently, automated by software providing a quantitative view. Although regarded as essential, fluorescent labeling has limitations such as being costly, time-consuming, and error-prone due to phototoxicity and photobleaching. Motivated by consolidated and recent advances in image generation techniques, we explore image-to-image translation methodologies to translate bright-field microscopy images, i.e., label-free, into fluorescence microscopy. After training established and modern models, our findings reveal that GANs deliver the highest-quality results, but with increased computational demands. In contrast, Latent Diffusion Models provide slightly lower quality outcomes but require significantly less computational power, suggesting promising results for future works, especially when working with larger datasets.

Amarcação fluorescente desempenha um papel crucial no desenvolvimento de novos me dicamentos e na análise e diagnóstico de tumores. Biólogos utilizam essas imagens para examinar a morfologia celular, estruturas e fenótipos, o que pode ser feito manualmente ou, mais recentemente, de forma automatizada por software, proporcionando uma visão quantitativa. Embora seja considerada essencial, a marcação fluorescente apresenta limi tações, como custo elevado, ser demorada e propensa a erros devido à fototoxicidade e fotodegradação. Motivados por avanços consolidados e recentes em técnicas de geração de imagens, exploramos metodologias de tradução de imagem para imagem para con verter imagens de microscopia de campo claro, ou seja, sem marcação, em fluorescência de microscopia. Após treinar modelos estabelecidos e modernos, nossos resultados re velam que GANs entregam os melhores resultados em termos de qualidade, embora com maiores demandas computacionais. Em contraste, os modelos de Difusão Latente forne cem resultados de qualidade ligeiramente inferiores, mas com uma necessidade de poder computacional significativamente menor, sugerindo resultados promissores para trabalhos futuros, especialmente ao trabalhar com conjuntos de dados maiores.