Компьютерное зрение в микроскопии
Компьютерное зрение помогает автоматизировать обработку изображений, полученных с помощью микроскопии. С его появлением 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, например, построив соответствующую сверточную нейронную 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. Для решения задачи используется сверточная сеть, которая обучается с помощью категориальных меток и дает на выходе не только классификацию каждой клетки, а также визуализирует процесс клеточного цикла. Классификация и визуализация происходят на основе одних и тех же выученных признаков[1].
Особенностью работы данной сверточной сети является необходимость разметить только небольшую часть данных, на основании чего она далее учится размечать самостоятельно.
Идентификация раковых клеток
Другой задачей классификации клеток является обнаружение раковых клеток. Для решения этой задачи используется сверточная нейронная сеть с архитектурой VGG-16, а также трансферное обучение, то есть модель предварительно обучается на другом огромном объеме данных[2].
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[3].
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. Сверточные сети, которые улучшают качество уже имеющихся снимков, не имеют специфичных отличий.
А вот другая интересная задача направлена сразу на получение более четких изображений. Она заключается в предсказывании положения фокуса микроскопа при покадровой съемке. Для ее решения используется сверточная сеть, состоящая из двух блоков свертки и двух полносвязных блоков[4].
Такая сверточная сеть показывает большую точность, чем группа людей-экспертов.
См. также
Примечания
- ↑ Philipp Eulenberg — Reconstructing cell cycle and disease progression using deep learning, 2017
- ↑ Ronald Wihal Oei — Convolutional neural network for cell classification using microscope images of intracellular actin networks, 2019
- ↑ Olaf Ronneberger— Reconstructing cell cycle and disease progression using deep learning, 2015
- ↑ Ling Wei— Reconstructing cell cycle and disease progression using deep learning, 2018
