編者按：盡管有了硬件對焦系統(tǒng)，但用自動顯微鏡采集到的大型圖像數(shù)據(jù)集通常有些低質量、失焦的圖像。使用高精度的自動圖像分析來獲取一個高質量無偏差數(shù)據(jù)集十分重要。谷歌研究人員對針對這一需求開發(fā)了深度神經網絡，幫助科學家們采集高質量的圖像。以下是論智對原文的編譯。

許多科學圖像應用，尤其是顯微鏡，每天能產生好幾T的數(shù)據(jù)。這些應用程序能從最近的計算機視覺和深度學習中受益。當我們與生物學家共同研究機器人顯微應用方面的工作時，我們已經了解到，將可以把信號中的噪音清除的高質量圖片組合成一個數(shù)據(jù)集是一項艱巨并且重要的任務。另外，我們還意識到，可能有很多科學家并不會寫代碼，但他們仍然喜歡在分析科學圖像時使用深度學習。我們可以解決其中的一個特殊問題，即處理失焦圖像。即使使用最先進的顯微鏡上的自動對焦系統(tǒng)，配置不當或硬件不兼容也可能導致圖像質量問題。用自動化的方式對焦點質量進行評級可以實現(xiàn)對圖像的檢測、故障排除和刪除。

從深度學習中得到保障

在Assessing Microscope Image Quality with Deep Learning一文中，我們訓練了一個深度神經網絡，對顯微鏡成像中的對焦質量進行評估，結果優(yōu)于之前的方法。我們還將預訓練的TensorFlow模型與Fiji（ImageJ）和CellProfiler中的插件集成在一起，這是兩種先進的開源科學圖片分析工具，它們可以通過圖形用戶界面或調用腳本進行使用。

在發(fā)表的文章和開源代碼（TensorFlow、Fiji和CellProfiler）中描述了機器學習項目工作流程的基礎知識：組裝一個訓練數(shù)據(jù)集（我們將384張細胞焦點圖像進行離焦，避免需要手工標記的數(shù)據(jù)集），使用數(shù)據(jù)增強訓練模型，評估泛化（在我們的案例中，是通過額外的顯微鏡獲取看不見的細胞類型），同時部署預訓練的模型。此前用于識別圖像焦點質量的工具通常需要用戶手動檢查每個數(shù)據(jù)集的圖像，以確定在焦點上和離焦圖像之間的臨界點。我們預訓練好的模型不需要用戶設置參數(shù)，并且還可以更精準地評估聚焦質量。為了增強可解釋性，我們的模型評估了84×84像素塊的聚焦質量，即上圖中彩色的邊框。

無目標物體的圖像怎么辦？

我們遇到的一個有趣的挑戰(zhàn)是，很多圖片補丁經常是“空白”的，即沒有目標物體，這是一種不存在對焦質量概念的情況。我們沒有明確地標注這些“空白”補丁，然后讓模型去識別它們，而是對模型進行配置，以預測散焦水平的概率分布，從而讓它學習表達這些空白補丁中的不確定性。

下一步做什么？

基于深度學習的科學圖片分析方法將增強準確度、減少人工手動調參、還有可能帶來新的發(fā)現(xiàn)。很顯然，數(shù)據(jù)集和模型的可分享和有效性，以及工具的安裝都證明了這種工具的廣泛實施對各領域都非常重要。