深度学习模型被证明是分析大量图像的非常有前途的工具。在过去十年左右的时间里,它们被引入了各种环境,包括研究实验室。
在生物学领域,深度学习模型可能有助于显微镜图像的定量分析,使研究人员能够从这些图像中提取有意义的信息并解释其观察结果。然而,要做到这一点,训练模型可能非常具有挑战性,因为它通常需要从显微镜图像中提取特征(即细胞数量、细胞面积等),并手动注释训练数据。
CERVO大脑研究中心、情报与数据研究所和Universit的研究人员茅 加拿大的拉瓦尔最近开发了一种人工神经网络,可以使用更简单的图像级注释对显微镜图像进行深入分析。该模型被称为MICRA-Net(显微镜分析神经网络),发表在《自然机器智能》上的一篇论文中。
“从图像中手动提取特征是一项漫长而乏味的任务,尤其是在需要由训练有素的专家执行的情况下,”Universit博士生AnthonyBilodeau说道茅 开展这项研究的拉瓦尔告诉TechXplore。“虽然有用于特征提取的深度学习(DL)模型可用,但它们仍然需要使用注释进行培训,而注释通常很难获得。我们的模型(MICRA Net)依赖于一项简单的分类任务,提出了这样一个问题:您正在查看的图像区域中是否存在结构?”
通过解决这个简单的问题,Universit团队开发的模型茅 拉瓦尔可以使用简单的二进制注释预测图像中是否存在特定结构。这大大减少了对图像进行注释所需的时间并简化了培训过程,同时仍然允许模型同时处理多个显微镜图像分析任务。
Bilodeau说:“我们的模型监管不力,这源于MICRA Net的训练方式。”。“训练MICRA网络所需的注释是简单的二进制(是或否)分类标签,比复杂的精确标签(如感兴趣结构的轮廓)更容易获得。”
与用于显微镜图像分析的其他现有深度学习工具相比,MICRA Net可以处理复杂的任务,例如语义分割和检测,但使用的是更简单的二进制图像注释。它通过从梯度类激活的贴图(即梯度凸轮)中提取有关兴趣结构的基本信息来实现这一点。
Bilodeau解释道:“将多层网络的梯度摄像机结合起来,可以使模型突出显示图像中感兴趣的结构,并可用于生成精确的分割遮罩或定位对象。”。“与使用弱监督(例如边界框注释、涂鸦)训练的既定基线相比,MICRA Net在复杂图像分析任务中也取得了类似或更好的性能。”
在Universit团队进行的初步评估中茅 Laval、MICRA Net取得了显著的成绩,优于与之相比的大多数模型。未来,它可以被全世界的研究团队用来解决复杂的图像分析问题,并发现显微镜图像中的关键模式。
Bilodeau补充道:“虽然一些图像分析任务可以受益于用于预培训的大型和精确注释的公开可用数据集(例如nucleus分割),但我们认为,对于没有现成精确注释或很容易获得精确注释的数据集,应考虑使用MICRA Net。”。“在未来的研究中,我们计划在其他具有挑战性的数据集上测试MICRA Net,并通过研究如何将其他方法组合用于特征提取来提高性能。”
漏 2022科学X网络