使用深度学习推动科学图像分析

许多科学成像应用（尤其是显微镜检查）每天可以产生数太字节的数据。这些应用可以从近年来的计算机视觉和深度学习发展中受益。

在我们与生物学家联合开展的机器人显微镜应用工作（例如，区分细胞表型）中，我们了解到，汇编可以分离信号与噪声的优质图像数据集是一项困难但重要的任务。我们还了解到，许多科学家不编写代码，但对在自己的图像分析工作中利用深度学习仍然感到非常兴奋。我们可以帮助解决的一项特殊挑战涉及处理失焦图像。即使对于最先进显微镜上的自动对焦系统，糟糕的配置或硬件不兼容性也可能导致图像质量问题。运用自动方式为焦点质量评分可以实现此类图像的检测、问题排查和移除。

利用深度学习补救

在 Assessing Microscope Image Focus Quality with Deep Learning 论文中，我们训练了一个深度神经网络来为显微镜图像的焦点质量评分，准确性比之前的方法更高。我们还将预训练的 TensorFlow 模型与 Fiji (ImageJ) 和 CellProfiler 中的插件集成，Fiji (ImageJ) 和 CellProfiler 是两个领先的开放源代码科学图像分析工具，它们可与图形界面结合使用，或通过脚本调用。

预训练的 TensorFlow 模型为 Fiji (ImageJ) 中细胞的一组显微镜图像色块的焦点质量评分。边界的色相和亮度分别表示预测的焦点质量和预测不确定性

我们的出版物和源代码（TensorFlow、Fiji、CellProfiler）说明了机器学习项目工作流程的基础知识：汇编训练数据集（我们以合成方式将细胞的 384 张合焦图像散焦，消除了对手动标记数据集的需求）、使用数据增强训练模型、评估泛化（在我们的示例中，泛化在第二台显微镜采集的不可见细胞类型上进行），以及部署预训练的模型。之前用于确定图像焦点质量的工具通常需要用户手动检查每个数据集的图像，以便在合焦与失焦图像之间确定一个阈值；我们的预训练模型不需要用户设置参数，并且可以更精确地为焦点质量评分。为了帮助提升可解释性，我们的模型评估了 84×84 像素色块的焦点质量，这些色块可以通过彩色色块边界可视化。

没有对象的图像会怎么样？

我们遇到的一个有趣挑战是经常存在没有对象的“空白”图像色块，这种情况下没有焦点质量表示。与显式标记这些“空白”色块并教我们的模型将它们识别为单独的类别不同，我们将模型配置为预测在散焦级别间的可能性分布（例如，预测合焦/失焦的相等可能性），从而让它可以学习为这些空色块表达不确定性（图中的模糊边界）。

后续发展

基于深度学习的科学图像分析方法将提高准确性、减少手动参数调整，并且可能会带来新认识。很显然，数据集和模型的共享与可用性，以及在相应社区被证明有用的工具实现将对广泛采用至关重要。

Be a Tensorflower