基于深度學(xué)習(xí)的科學(xué)圖片分析方法將增強準(zhǔn)確度

編者按：盡管有了硬件對焦系統(tǒng)，但用自動顯微鏡采集到的大型圖像數(shù)據(jù)集通常有些低質(zhì)量、失焦的圖像。使用高精度的自動圖像分析來獲取一個高質(zhì)量無偏差數(shù)據(jù)集十分重要。谷歌研究人員對針對這一需求開發(fā)了深度神經(jīng)網(wǎng)絡(luò)，幫助科學(xué)家們采集高質(zhì)量的圖像。以下是論智對原文的編譯。

許多科學(xué)圖像應(yīng)用，尤其是顯微鏡，每天能產(chǎn)生好幾T的數(shù)據(jù)。這些應(yīng)用程序能從最近的計算機視覺和深度學(xué)習(xí)中受益。當(dāng)我們與生物學(xué)家共同研究機器人顯微應(yīng)用方面的工作時，我們已經(jīng)了解到，將可以把信號中的噪音清除的高質(zhì)量圖片組合成一個數(shù)據(jù)集是一項艱巨并且重要的任務(wù)。另外，我們還意識到，可能有很多科學(xué)家并不會寫代碼，但他們?nèi)匀幌矚g在分析科學(xué)圖像時使用深度學(xué)習(xí)。我們可以解決其中的一個特殊問題，即處理失焦圖像。即使使用最先進的顯微鏡上的自動對焦系統(tǒng)，配置不當(dāng)或硬件不兼容也可能導(dǎo)致圖像質(zhì)量問題。用自動化的方式對焦點質(zhì)量進行評級可以實現(xiàn)對圖像的檢測、故障排除和刪除。

從深度學(xué)習(xí)中得到保障

在Assessing Microscope Image Quality with Deep Learning一文中，我們訓(xùn)練了一個深度神經(jīng)網(wǎng)絡(luò)，對顯微鏡成像中的對焦質(zhì)量進行評估，結(jié)果優(yōu)于之前的方法。我們還將預(yù)訓(xùn)練的TensorFlow模型與Fiji（ImageJ）和CellProfiler中的插件集成在一起，這是兩種先進的開源科學(xué)圖片分析工具，它們可以通過圖形用戶界面或調(diào)用腳本進行使用。

在發(fā)表的文章和開源代碼（TensorFlow、Fiji和CellProfiler）中描述了機器學(xué)習(xí)項目工作流程的基礎(chǔ)知識：組裝一個訓(xùn)練數(shù)據(jù)集（我們將384張細(xì)胞焦點圖像進行離焦，避免需要手工標(biāo)記的數(shù)據(jù)集），使用數(shù)據(jù)增強訓(xùn)練模型，評估泛化（在我們的案例中，是通過額外的顯微鏡獲取看不見的細(xì)胞類型），同時部署預(yù)訓(xùn)練的模型。此前用于識別圖像焦點質(zhì)量的工具通常需要用戶手動檢查每個數(shù)據(jù)集的圖像，以確定在焦點上和離焦圖像之間的臨界點。我們預(yù)訓(xùn)練好的模型不需要用戶設(shè)置參數(shù)，并且還可以更精準(zhǔn)地評估聚焦質(zhì)量。為了增強可解釋性，我們的模型評估了84×84像素塊的聚焦質(zhì)量，即上圖中彩色的邊框。

無目標(biāo)物體的圖像怎么辦？

我們遇到的一個有趣的挑戰(zhàn)是，很多圖片補丁經(jīng)常是“空白”的，即沒有目標(biāo)物體，這是一種不存在對焦質(zhì)量概念的情況。我們沒有明確地標(biāo)注這些“空白”補丁，然后讓模型去識別它們，而是對模型進行配置，以預(yù)測散焦水平的概率分布，從而讓它學(xué)習(xí)表達這些空白補丁中的不確定性。

下一步做什么？

基于深度學(xué)習(xí)的科學(xué)圖片分析方法將增強準(zhǔn)確度、減少人工手動調(diào)參、還有可能帶來新的發(fā)現(xiàn)。很顯然，數(shù)據(jù)集和模型的可分享和有效性，以及工具的安裝都證明了這種工具的廣泛實施對各領(lǐng)域都非常重要。