Multi-contrast image-to-image translation for axon and myelin segmentation

Abstract

The analysis of segmented histological images plays a crucial role in the study of neurodegen- erative disorders such as Alzheimer’s disease and multiple scleorsis. Segmented histological data enables the precise identification and quantification of pathological features, facilitat- ing a deeper understanding of disease mechanisms and progression. These images, typically acquired through electron microscopy (EM), exhibit diverse modalities that reflect various properties of neurological tissue. A common challenge in developing segmentation models is the scarcity of data across these modalities. To address this, we propose an image translation method utilizing diffusion models. Our approach involves a framework where the source im- age is converted into a latent encoding, which is then decoded back into the source modality using guided diffusion models. Each model is trained independently on a specific modality, employing segmented images as labels integrated within the latent encodings. We evaluate the efficiency of our method by comparing its translations with those generated by genera- tive adversarial models and diffusion models. This approach aims to minimize the number of translation models required and ensures data privacy by operating on latent encodings. L’analyse des images histologiques segmentées joue un rôle crucial dans l’étude des maladies neurodégénératives telles que la maladie d’Alzheimer et la sclérose en plaques. Les données histologiques segmentées permettent l’identification et la quantification précises des caractéristiques pathologiques, facilitant ainsi une compréhension plus approfondie des mécanismes et de la progression des maladies. Ces images, généralement obtenues par microscopie électronique (EM), présentent diverses modalités reflétant différentes propriétés du tissu neurologique. Un défi courant dans le développement de modèles de segmentation est la rareté des données à travers ces modalités. Pour y remédier, nous proposons une méthode de traduction d’images utilisant des modèles de diffusion. Notre approche implique un cadre dans lequel l’image source est convertie en un encodage latent, qui est ensuite décodé dans la modalité source à l’aide de modèles de diffusion guidée. Chaque modèle est entraîné indépendamment sur une modalité spécifique, en utilisant des images segmentées comme étiquettes intégrées dans les encodages latents. Nous évaluons l’efficacité de notre méthode en comparant ses traductions avec celles générées par des modèles génératifs adverses et des modèles de diffusion. Cette approche vise à minimiser le nombre de modèles de traduction requis et à assurer la confidentialité des données en opérant sur des encodages latents.