資訊專欄INFORMATION COLUMN
摘要：我們還了解到，許多科學(xué)家不編寫代碼，但對在自己的圖像分析工作中利用深度學(xué)習(xí)仍然感到非常興奮。后續(xù)發(fā)展基于深度學(xué)習(xí)的科學(xué)圖像分析方法將提高準確性減少手動參數(shù)調(diào)整，并且可能會帶來新認識。
許多科學(xué)成像應(yīng)用（尤其是顯微鏡檢查）每天可以產(chǎn)生數(shù)太字節(jié)的數(shù)據(jù)。這些應(yīng)用可以從近年來的計算機視覺和深度學(xué)習(xí)發(fā)展中受益。
在我們與生物學(xué)家聯(lián)合開展的機器人顯微鏡應(yīng)用工作（例如，區(qū)分細胞表型）中，我們了解到，匯編可以分離信號與噪聲的優(yōu)質(zhì)圖像數(shù)據(jù)集是一項困難但重要的任務(wù)。我們還了解到，許多科學(xué)家不編寫代碼，但對在自己的圖像分析工作中利用深度學(xué)習(xí)仍然感到非常興奮。我們可以幫助解決的一項特殊挑戰(zhàn)涉及處理失焦圖像。即使對于較先進顯微鏡上的自動對焦系統(tǒng)，糟糕的配置或硬件不兼容性也可能導(dǎo)致圖像質(zhì)量問題。運用自動方式為焦點質(zhì)量評分可以實現(xiàn)此類圖像的檢測、問題排查和移除。
利用深度學(xué)習(xí)補救
在 Assessing Microscope Image Focus Quality with Deep Learning 論文中，我們訓(xùn)練了一個深度神經(jīng)網(wǎng)絡(luò)來為顯微鏡圖像的焦點質(zhì)量評分，準確性比之前的方法更高。我們還將預(yù)訓(xùn)練的 TensorFlow 模型與 Fiji (ImageJ) 和 CellProfiler 中的插件集成，F(xiàn)iji (ImageJ) 和 CellProfiler 是兩個領(lǐng)先的開放源代碼科學(xué)圖像分析工具，它們可與圖形界面結(jié)合使用，或通過腳本調(diào)用。
預(yù)訓(xùn)練的 TensorFlow 模型為 Fiji (ImageJ) 中細胞的一組顯微鏡圖像色塊的焦點質(zhì)量評分。邊界的色相和亮度分別表示預(yù)測的焦點質(zhì)量和預(yù)測不確定性
?
我們的出版物和源代碼（TensorFlow、Fiji、CellProfiler）說明了機器學(xué)習(xí)項目工作流程的基礎(chǔ)知識：匯編訓(xùn)練數(shù)據(jù)集（我們以合成方式將細胞的 384 張合焦圖像散焦，消除了對手動標(biāo)記數(shù)據(jù)集的需求）、使用數(shù)據(jù)增強訓(xùn)練模型、評估泛化（在我們的示例中，泛化在第二臺顯微鏡采集的不可見細胞類型上進行），以及部署預(yù)訓(xùn)練的模型。之前用于確定圖像焦點質(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，以便在合焦與失焦圖像之間確定一個閾值；我們的預(yù)訓(xùn)練模型不需要用戶設(shè)置參數(shù)，并且可以更較精確地為焦點質(zhì)量評分。為了幫助提升可解釋性，我們的模型評估了 84×84 像素色塊的焦點質(zhì)量，這些色塊可以通過彩色色塊邊界可視化。
沒有對象的圖像會怎么樣？
我們遇到的一個有趣挑戰(zhàn)是經(jīng)常存在沒有對象的“空白”圖像色塊，這種情況下沒有焦點質(zhì)量表示。與顯式標(biāo)記這些“空白”色塊并教我們的模型將它們識別為多帶帶的類別不同，我們將模型配置為預(yù)測在散焦級別間的可能性分布（例如，預(yù)測合焦/失焦的相等可能性），從而讓它可以學(xué)習(xí)為這些空色塊表達不確定性（圖中的模糊邊界）。
后續(xù)發(fā)展
基于深度學(xué)習(xí)的科學(xué)圖像分析方法將提高準確性、減少手動參數(shù)調(diào)整，并且可能會帶來新認識。很顯然，數(shù)據(jù)集和模型的共享與可用性，以及在相應(yīng)社區(qū)被證明有用的工具實現(xiàn)將對廣泛采用至關(guān)重要。
歡迎加入本站公開興趣群商業(yè)智能與數(shù)據(jù)分析群
興趣范圍包括各種讓數(shù)據(jù)產(chǎn)生價值的辦法，實際應(yīng)用案例分享與討論，分析工具，ETL工具，數(shù)據(jù)倉庫，數(shù)據(jù)挖掘工具，報表系統(tǒng)等全方位知識
QQ群：81035754
文章版權(quán)歸作者所有，未經(jīng)允許請勿轉(zhuǎn)載,若此文章存在違規(guī)行為，您可以聯(lián)系管理員刪除。
轉(zhuǎn)載請注明本文地址：http://systransis.cn/yun/4744.html
摘要：我們隊年的預(yù)測基本正確，當(dāng)中有些預(yù)測趨勢也可以用于新的一年，下面繼續(xù)看到對年數(shù)據(jù)科學(xué)機器學(xué)習(xí)和人工智能領(lǐng)域的預(yù)測。 showImg(https://segmentfault.com/img/bVbnqYV?w=1024&h=512); 作者：William VorhiesCDA數(shù)據(jù)分析研究院原創(chuàng)作品, 轉(zhuǎn)載需授權(quán)? 2018年剛剛結(jié)束，在2019年到來之際，讓我們一起展望在今年數(shù)據(jù)科學(xué)...
摘要：的研究興趣涵蓋大多數(shù)深度學(xué)習(xí)主題，特別是生成模型以及機器學(xué)習(xí)的安全和隱私。與以及教授一起造就了年始的深度學(xué)習(xí)復(fù)興。目前他是僅存的幾個仍然全身心投入在學(xué)術(shù)界的深度學(xué)習(xí)教授之一。 Andrej Karpathy特斯拉 AI 主管Andrej Karpathy 擁有斯坦福大學(xué)計算機視覺博士學(xué)位，讀博期間師從現(xiàn)任 Google AI 首席科學(xué)家李飛飛，研究卷積神經(jīng)網(wǎng)絡(luò)在計算機視覺、自然語言處理上的應(yīng)...
摘要：而這種舉一反三的能力在機器學(xué)習(xí)領(lǐng)域同樣適用，科學(xué)家將其稱之為遷移學(xué)習(xí)。與深度學(xué)習(xí)相比，我們技術(shù)較大優(yōu)點是具有可證明的性能保證。近幾年的人工智能熱潮中，深度學(xué)習(xí)是最主流的技術(shù)，以及之后的成功，更是使其幾乎成為的代名詞。 如今，人類將自己的未來放到了技術(shù)手里，無論是讓人工智能更像人類思考的算法，還是讓機器人大腦運轉(zhuǎn)更快的芯片，都在向奇點靠近。谷歌工程總監(jiān)、《奇點臨近》的作者庫茲韋爾認為，一旦智能...
摘要：隨后深度學(xué)習(xí)的研究大放異彩，廣泛應(yīng)用在了圖像處理和語音識別領(lǐng)域。比如的學(xué)生就用深度學(xué)習(xí)算法贏得年的。深度學(xué)習(xí)和人工智能的春天離人工智能最近的互聯(lián)網(wǎng)公司敏銳嗅到了這一機遇。 多倫多大學(xué)計算機系教授Geoffrey Hinton是Deep Learning的開山鼻祖，我們來講講他的故事。他有個傳奇的姑姑不過先來說說他姑姑吧，他姑姑Joan Hinton是一個與中國有關(guān)的具有傳奇經(jīng)歷的人物，中文名...
閱讀 858·2021-11-25 09:43
閱讀 3690·2021-11-19 09:40
閱讀 894·2021-09-29 09:34
閱讀 1808·2021-09-26 10:21
閱讀 885·2021-09-22 15:24
閱讀 4205·2021-09-22 15:08
閱讀 3281·2021-09-07 09:58
閱讀 2699·2019-08-30 15:55
