Компьютерное зрение в микроскопии
Компьютерное зрение помогает автоматизировать обработку изображений, полученных с помощью микроскопии. С появлением сверточных нейронных сетей стало возможным эффективно и с хорошей точностью классифицировать клетки, сегментировать полученные изображения, улучшать их качество и решать другие задачи без непосредственного участия человека.
Задачи компьютерного зрения в микроскопии
На данный момент компьютерное зрение нашло применение в большинстве направлений, где есть необходимость обрабатывать и анализировать изображения. Микроскопия не стала исключением. Теперь задачи, которые напрямую связаны с работой с изображениями, можно решить, построив соответствующую сверточную сеть.
Классификация клеток
Классификация клеток является базовой задачей микроскопии. Существует множество признаков, по которым можно поделить клетки, но для части из них уже существуют готовые архитектуры сверточных сетей.
Определение фазы клеточного цикла
Одним из признаков, по которым можно разделить клетки, является определение фазы клеточного цикла, в которой находится клетка. Такое деление имеет важное значение для биологии. Для классификации используется сверточная нейросеть, которая обучается с помощью категориальных меток. На основе изученных признаков сеть дает на выходе классификацию каждой клетки, а также визуализирует процесс клеточного цикла.
Особенностью работы данной сверточной нейросети является необходимость разметить только небольшую часть данных, на основании чего она далее учится размечать самостоятельно.
Идентификация раковых клеток
Для классификации раковых клеток используется сверточная нейронная сеть с архитектурой VGG-16, а также трансферное обучение, то есть модель предварительно обучается на другом огромном объеме данных.
Такая сверточная сеть лучше справляется с задачей классификации клеток по сравнению с экспертом-человеком, особенно на изображениях с недостаточно хорошим качеством.
Сегментация изображений
Задача сегментации изображений, полученных с микроскопа, состоит в том, чтобы аннотировать их, то есть отметить границы объектов (клеток, ядер). Для решения этой задачи обычно используется модифицированная полносвязная сверточная сеть U-Net.
Сеть U-Net получила широкое распространение благодаря способности последовательно распознавать как большие, так и мелкие частицы, а также устойчивости к различным условиям визуализации и наборам данных.
Улучшение качества изображений
Не всегда изображения, полученные с помощью микроскопии, имеют достаточно хорошее для дальнейшей работы качество. В связи с этим получили распространение сверточные нейросети, способные улучшить качество уже имеющихся изображений или предсказать положение фокуса микроскопа для покадровой съемки.
Контроль положения фокуса при покадровой микроскопии
Одной из интересных задач компьютерного зрения является предсказывание положение фокуса при покадровой съемке микроскопа для получения более четких изображений. Для ее решения используется сверточная сеть, состоящая из двух блоков свертки и двух полносвязных блоков и представленная ниже.
Такая сверточная сеть показывает большую точность, чем группа людей-экспертов.
