从显微镜图像中提取特征的弱监督机器学习模型
深度学习模型已被证明是用于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,它们已被引入各种环境,包括研究实验室。
在生物学领域,深度学习模型可能有助于对显微镜图像进行定量分析,使研究人员能够从这些图像中提取有意义的信息并解释他们的观察结果。然而,要做到这一点的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、智能与数据研究所和加拿大拉瓦尔大学的研究人员最近开发了一种人工神经网络,该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。这个模型被称为MICRA-Net(显微镜分析神经网络),是在NatureMachineIntelligence上发表的一篇论文中介绍的。
“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,”博士AnthonyBilodeau。进行这项研究的拉瓦尔大学学生告诉TechXplore。“虽然可以使用用于特征提取的深度学习(DL)模型,但它们仍然需要使用通常很难获得的注释进行训练。我们的模型(MICRA-Net)依赖于一个简单的分类任务,并提出以下问题:结构是否存在在您正在查看的图像区域中吗?”
通过解决这个简单的问题,拉瓦尔大学团队开发的模型可以使用简单的二进制注释来预测图像中特定结构的存在或不存在。这大大减少了注释图像所需的时间并简化了训练过程,同时仍然允许模型同时处理多个显微镜图像分析任务。
“我们模型的弱监督源于MICRA-Net的训练方式,”Bilodeau说。“训练MICRA-Net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(例如感兴趣结构的轮廓)更容易获得。”
与其他现有的用于分析显微镜图像的深度学习工具相比,MICRA-Net可以处理复杂的任务,例如语义分割和检测,但使用更简单的二进制图像注释。它通过从梯度类激活图(即,grad-CAMs)中提取有关感兴趣结构的基本信息来实现这一点。
“结合网络多层的grad-CAM允许模型突出图像中感兴趣的结构,并可用于生成精确的分割蒙版或定位对象,”Bilodeau解释说。“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上也取得了相似或更好的性能。”
在拉瓦尔大学团队进行的初步评估中,MICRA-Net取得了显着的成果,优于与之相比的大多数模型。未来,它可以被世界各地的研究团队用来解决复杂的图像分析问题并发现显微图像中的关键模式。
“虽然一些图像分析任务可以从用于预训练的大型且精确注释的公开可用数据集(例如,细胞核分割)中受益,但我们认为MICRA-Net应该考虑用于没有精确注释的数据集或可以轻松获得的数据集”比洛多补充道。“对于未来的研究,我们计划在其他具有挑战性的数据集上测试MICRA-Net,并通过研究如何结合其他方法进行特征提取来提高性能。”
标签: