基于深度学习的科学图片分析方法将增强准确度

编者按：尽管有了硬件对焦系统，但用自动显微镜采集到的大型图像数据集通常有些低质量、失焦的图像。使用高精度的自动图像分析来获取一个高质量无偏差数据集十分重要。谷歌研究人员对针对这一需求开发了深度神经网络，帮助科学家们采集高质量的图像。以下是论智对原文的编译。

许多科学图像应用，尤其是显微镜，每天能产生好几T的数据。这些应用程序能从最近的计算机视觉和深度学习中受益。当我们与生物学家共同研究机器人显微应用方面的工作时，我们已经了解到，将可以把信号中的噪音清除的高质量图片组合成一个数据集是一项艰巨并且重要的任务。另外，我们还意识到，可能有很多科学家并不会写代码，但他们仍然喜欢在分析科学图像时使用深度学习。我们可以解决其中的一个特殊问题，即处理失焦图像。即使使用最先进的显微镜上的自动对焦系统，配置不当或硬件不兼容也可能导致图像质量问题。用自动化的方式对焦点质量进行评级可以实现对图像的检测、故障排除和删除。

从深度学习中得到保障

在Assessing Microscope Image Quality with Deep Learning一文中，我们训练了一个深度神经网络，对显微镜成像中的对焦质量进行评估，结果优于之前的方法。我们还将预训练的TensorFlow模型与Fiji（ImageJ）和CellProfiler中的插件集成在一起，这是两种先进的开源科学图片分析工具，它们可以通过图形用户界面或调用脚本进行使用。

在发表的文章和开源代码（TensorFlow、Fiji和CellProfiler）中描述了机器学习项目工作流程的基础知识：组装一个训练数据集（我们将384张细胞焦点图像进行离焦，避免需要手工标记的数据集），使用数据增强训练模型，评估泛化（在我们的案例中，是通过额外的显微镜获取看不见的细胞类型），同时部署预训练的模型。此前用于识别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，以确定在焦点上和离焦图像之间的临界点。我们预训练好的模型不需要用户设置参数，并且还可以更精准地评估聚焦质量。为了增强可解释性，我们的模型评估了84×84像素块的聚焦质量，即上图中彩色的边框。

无目标物体的图像怎么办？

我们遇到的一个有趣的挑战是，很多图片补丁经常是“空白”的，即没有目标物体，这是一种不存在对焦质量概念的情况。我们没有明确地标注这些“空白”补丁，然后让模型去识别它们，而是对模型进行配置，以预测散焦水平的概率分布，从而让它学习表达这些空白补丁中的不确定性。

下一步做什么？

基于深度学习的科学图片分析方法将增强准确度、减少人工手动调参、还有可能带来新的发现。很显然，数据集和模型的可分享和有效性，以及工具的安装都证明了这种工具的广泛实施对各领域都非常重要。