摘要：我们还了解到，许多科学家不编写代码，但对在自己的图像分析工作中利用深度学习仍然感到非常兴奋。后续发展基于深度学习的科学图像分析方法将提高准确性减少手动参数调整，并且可能会带来新认识。
许多科学成像应用（尤其是显微镜检查）每天可以产生数太字节的数据。这些应用可以从近年来的计算机视觉和深度学习发展中受益。
在我们与生物学家联合开展的机器人显微镜应用工作（例如，区分细胞表型）中，我们了解到，汇编可以分离信号与噪声的优质图像数据集是一项困难但重要的任务。我们还了解到，许多科学家不编写代码，但对在自己的图像分析工作中利用深度学习仍然感到非常兴奋。我们可以帮助解决的一项特殊挑战涉及处理失焦图像。即使对于较先进显微镜上的自动对焦系统，糟糕的配置或硬件不兼容性也可能导致图像质量问题。运用自动方式为焦点质量评分可以实现此类图像的检测、问题排查和移除。
利用深度学习补救
在 Assessing Microscope Image Focus Quality with Deep Learning 论文中，我们训练了一个深度神经网络来为显微镜图像的焦点质量评分，准确性比之前的方法更高。我们还将预训练的 TensorFlow 模型与 Fiji (ImageJ) 和 CellProfiler 中的插件集成，Fiji (ImageJ) 和 CellProfiler 是两个领先的开放源代码科学图像分析工具，它们可与图形界面结合使用，或通过脚本调用。
预训练的 TensorFlow 模型为 Fiji (ImageJ) 中细胞的一组显微镜图像色块的焦点质量评分。边界的色相和亮度分别表示预测的焦点质量和预测不确定性
我们的出版物和源代码（TensorFlow、Fiji、CellProfiler）说明了机器学习项目工作流程的基础知识：汇编训练数据集（我们以合成方式将细胞的 384 张合焦图像散焦，消除了对手动标记数据集的需求）、使用数据增强训练模型、评估泛化（在我们的示例中，泛化在第二台显微镜采集的不可见细胞类型上进行），以及部署预训练的模型。之前用于确定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，以便在合焦与失焦图像之间确定一个阈值；我们的预训练模型不需要用户设置参数，并且可以更较精确地为焦点质量评分。为了帮助提升可解释性，我们的模型评估了 84×84 像素色块的焦点质量，这些色块可以通过彩色色块边界可视化。
没有对象的图像会怎么样？
我们遇到的一个有趣挑战是经常存在没有对象的“空白”图像色块，这种情况下没有焦点质量表示。与显式标记这些“空白”色块并教我们的模型将它们识别为多带带的类别不同，我们将模型配置为预测在散焦级别间的可能性分布（例如，预测合焦/失焦的相等可能性），从而让它可以学习为这些空色块表达不确定性（图中的模糊边界）。
后续发展
基于深度学习的科学图像分析方法将提高准确性、减少手动参数调整，并且可能会带来新认识。很显然，数据集和模型的共享与可用性，以及在相应社区被证明有用的工具实现将对广泛采用至关重要。
欢迎加入本站公开兴趣群商业智能与数据分析群
兴趣范围包括各种让数据产生价值的办法，实际应用案例分享与讨论，分析工具，ETL工具，数据仓库，数据挖掘工具，报表系统等全方位知识
QQ群：81035754
文章版权归作者所有，未经允许请勿转载,若此文章存在违规行为，您可以联系管理员删除。
转载请注明本文地址：https://www.ucloud.cn/yun/4744.html
摘要：我们队年的预测基本正确，当中有些预测趋势也可以用于新的一年，下面继续看到对年数据科学机器学习和人工智能领域的预测。 showImg(https://segmentfault.com/img/bVbnqYV?w=1024&h=512); 作者：William VorhiesCDA数据分析研究院原创作品, 转载需授权 2018年刚刚结束，在2019年到来之际，让我们一起展望在今年数据科学...
摘要：我们队年的预测基本正确，当中有些预测趋势也可以用于新的一年，下面继续看到对年数据科学机器学习和人工智能领域的预测。 showImg(https://segmentfault.com/img/bVbnqYV?w=1024&h=512); 作者：William VorhiesCDA数据分析研究院原创作品, 转载需授权 2018年刚刚结束，在2019年到来之际，让我们一起展望在今年数据科学...
摘要：的研究兴趣涵盖大多数深度学习主题，特别是生成模型以及机器学习的安全和隐私。与以及教授一起造就了年始的深度学习复兴。目前他是仅存的几个仍然全身心投入在学术界的深度学习教授之一。 Andrej Karpathy特斯拉 AI 主管Andrej Karpathy 拥有斯坦福大学计算机视觉博士学位，读博期间师从现任 Google AI 首席科学家李飞飞，研究卷积神经网络在计算机视觉、自然语言处理上的应...
摘要：而这种举一反三的能力在机器学习领域同样适用，科学家将其称之为迁移学习。与深度学习相比，我们技术较大优点是具有可证明的性能保证。近几年的人工智能热潮中，深度学习是最主流的技术，以及之后的成功，更是使其几乎成为的代名词。 如今，人类将自己的未来放到了技术手里，无论是让人工智能更像人类思考的算法，还是让机器人大脑运转更快的芯片，都在向奇点靠近。谷歌工程总监、《奇点临近》的作者库兹韦尔认为，一旦智能...
摘要：随后深度学习的研究大放异彩，广泛应用在了图像处理和语音识别领域。比如的学生就用深度学习算法赢得年的。深度学习和人工智能的春天离人工智能最近的互联网公司敏锐嗅到了这一机遇。 多伦多大学计算机系教授Geoffrey Hinton是Deep Learning的开山鼻祖，我们来讲讲他的故事。他有个传奇的姑姑不过先来说说他姑姑吧，他姑姑Joan Hinton是一个与中国有关的具有传奇经历的人物，中文名...
阅读 661·2021-11-25 09:43
阅读 2840·2021-11-23 09:51
阅读 3468·2021-11-19 09:40
阅读 704·2021-09-29 09:34
阅读 1649·2021-09-26 10:21
阅读 686·2021-09-22 15:24
阅读 3931·2021-09-22 15:08
阅读 2938·2021-09-07 09:59
