Модель машинного обучения со слабым контролем для извлечения признаков из изображений микроскопии.
Модели глубокого обучения оказались многообещающими инструментами для анализа большого количества изображений. Таким образом, за последнее десятилетие или около того они были внедрены в различных условиях, в том числе в исследовательских лабораториях.
В области биологии модели глубокого обучения потенциально могут облегчить количественный анализ микроскопических изображений, позволяя исследователям извлекать значимую информацию из этих изображений и интерпретировать свои наблюдения. Однако обучающие модели для этого могут быть очень сложными, поскольку часто требуется извлечение признаков (например, количество клеток, площадь клеток и т. д.) из микроскопических изображений и ручная аннотация обучающих данных.
Исследователи из Центра исследования мозга CERVO, Института разведки и данных и Университета Лаваля в Канаде недавно разработали искусственную нейронную сеть , которая может выполнять углубленный анализ микроскопических изображений с использованием более простых аннотаций на уровне изображения. Эта модель, получившая название MICRA-Net ( нейронная сеть MICRoscopy Analysis ), была представлена в статье, опубликованной в журнале Nature Machine Intelligence.
«Ручное извлечение признаков из изображений — долгая и утомительная задача, особенно в тех случаях, когда ее должен выполнять обученный эксперт», — Энтони Билодо, доктор философии. Студент Университета Лаваля, проводивший исследование. «Хотя доступны модели глубокого обучения (DL) для извлечения признаков, они по-прежнему требуют обучения с помощью аннотаций, которые часто трудно получить. Наша модель (MICRA-Net) опирается на простую задачу классификации, задавая вопрос: присутствует ли структура в области изображения, на которое вы смотрите, или нет?»
Отвечая на этот простой вопрос, модель, разработанная командой Университета Лаваля, может предсказывать наличие или отсутствие определенной структуры на изображениях с помощью простых бинарных аннотаций. Это значительно сокращает время, необходимое для аннотирования изображений, и упрощает процесс обучения, в то же время позволяя модели одновременно решать несколько задач анализа микроскопических изображений.
«Слабый надзор за нашей моделью связан с тем, как обучается MICRA-Net», — сказал Билодо. «Аннотации, необходимые для обучения MICRA-Net, представляют собой простые бинарные (да или нет) классификационные метки, которые гораздо легче получить, чем сложные точные метки, такие как контуры интересующей структуры».
В отличие от других существующих инструментов глубокого обучения для анализа микроскопических изображений, MICRA-Net может решать сложные задачи , такие как семантическая сегментация и обнаружение, но с использованием гораздо более простых аннотаций бинарных изображений. Это достигается за счет извлечения важной информации об интересующей структуре из активированных карт градиентного класса (т. е. grad-CAM).
«Объединение grad-CAM нескольких слоев сети позволяет модели выделить интересующую структуру изображения и может использоваться для создания точных масок сегментации или для локализации объектов», — пояснил Билодо. «MICRA-Net также обеспечивает аналогичную или лучшую производительность в сложных задачах анализа изображений по сравнению с установленными базовыми уровнями, обученными с использованием слабого контроля (например, аннотации ограничительной рамки, каракули)».
В первоначальных оценках, проведенных группой из Университета Лаваля, MICRA-Net показала замечательные результаты, превзойдя большинство моделей, с которыми она сравнивалась. Таким образом, в будущем он может использоваться исследовательскими группами по всему миру для решения сложных задач анализа изображений и обнаружения важных закономерностей в микроскопических изображениях .
«Несмотря на то, что для некоторых задач анализа изображений могут быть полезны большие и точно аннотированные общедоступные наборы данных для предварительного обучения (например, сегментация ядер), мы считаем, что MICRA-Net следует рассматривать для наборов данных, для которых нет точных аннотаций. доступны или могут быть легко получены «, — добавил Билодо. «Для будущих исследований мы планируем протестировать MICRA-Net на других сложных наборах данных, а также улучшить производительность, исследуя, как другие подходы могут быть объединены для извлечения признаков».
