4
當(dāng)前位置：北京佳源偉業(yè)科技有限公司>>技術(shù)文章>>在顯微圖像分析中運(yùn)用機(jī)器學(xué)習(xí)技術(shù)
在顯微圖像分析中運(yùn)用機(jī)器學(xué)習(xí)技術(shù)
輕松進(jìn)行圖像分割，即時獲得可靠的結(jié)果：訓(xùn)練您自己的機(jī)器學(xué)習(xí)模型，實(shí)現(xiàn)快速且可重復(fù)的圖像分析工作流程
顯微成像技術(shù)最近取得了令人振奮的進(jìn)展，因此，在生物醫(yī)學(xué)研究中采集的圖像數(shù)據(jù)無論質(zhì)量還是數(shù)量都呈指數(shù)級增長[1,2]。但是，分析日益復(fù)雜的大型圖像數(shù)據(jù)集以提取有意義的信息可能是一個既枯燥又 耗時 的過程，而且容易出現(xiàn)人為誤差和偏差，這經(jīng)常給許多研究人員造成生產(chǎn)效率瓶頸。
圖像分割
圖像分割是將一幅數(shù)碼圖像分離成多組像素（也稱為圖像片段或圖像對象）的過程，它是進(jìn)一步分析圖像以定位特定感興趣對象的先決步驟。
目前，圖像分割是顯微鏡圖像分析領(lǐng)域的主要挑戰(zhàn)之一，因?yàn)樵撨^程需要耗費(fèi)大量人力，并且容易出現(xiàn)觀察者內(nèi)差異和觀察者間差異。
好消息是機(jī)器學(xué)習(xí)算法的最新發(fā)展使得顯微圖像分析比以往任何時候都更容易，最終為科研中的顯微鏡圖像處理開辟了一條快速的無偏性途徑。
為什么在顯微圖像分析中運(yùn)用機(jī)器學(xué)習(xí)技術(shù)？
在顯微成像中，一幅圖像抵得上千言萬語，但前提是我們能夠從中提取有意義的數(shù)據(jù)。手動分析顯微圖像可能是一個漫長而枯燥的過程，而且容易出現(xiàn)人為誤差和偏差。
使用機(jī)器學(xué)習(xí)算法進(jìn)行自動圖像分析時，會通過專用軟件從數(shù)碼顯微鏡圖像中提取特定數(shù)據(jù)。機(jī)器學(xué)習(xí)算法可以經(jīng)過訓(xùn)練來識別圖像中的特定對象、模式和形狀，收集定量信息，從而優(yōu)化并加快圖像分析。
運(yùn)用人工智能(AI)技術(shù)分析顯微圖像具有許多重要優(yōu)勢，包括：
1
節(jié)省大量時間
使用機(jī)器學(xué)習(xí)算法，研究人員可以快速分析大量的圖像集，從中提取有意義的信息，所需時間只是手動圖像分析所需時間的一小部分。
2
簡化工作流程
自動圖像分析可簡化工作流程，因?yàn)槟恍杼峁┮治鰧ο蟮氖纠?，而不必提供用來定義這些對象的具體參數(shù)（如強(qiáng)度閾值、尺寸范圍等）。
3
提供可靠的無偏性結(jié)果
手動圖像分析容易出現(xiàn)人為誤差，而人工智能輔助分析則可確保提供高精確度的無偏性結(jié)果。
自動圖像分析法的工作原理是什么？
那么，機(jī)器學(xué)習(xí)究竟是什么？自動圖像分析法的工作原理是什么？
機(jī)器學(xué)習(xí)是人工智能(AI)的一個分支，目的是創(chuàng)建能夠自動學(xué)習(xí)并提高準(zhǔn)確度的算法?？偟膩碚f，在顯微圖像分析中使用機(jī)器學(xué)習(xí)時，首先要用數(shù)據(jù)對專門的軟件進(jìn)行訓(xùn)練，使其做出準(zhǔn)確的預(yù)測。在此過程中，系統(tǒng)首先學(xué)習(xí)從數(shù)據(jù)中提取相關(guān)特征。然后利用這些信息自行對新數(shù)據(jù)做出判斷。
在實(shí)踐中，這意味著您可以訓(xùn)練軟件如何為您分割圖像，使它學(xué)會自行正確識別相關(guān)的圖像片段，并提供您所需要的輸出。
一旦經(jīng)過訓(xùn)練，算法就能夠準(zhǔn)確地重現(xiàn)與人類用戶相同的輸出，并且將相同的分割模式應(yīng)用于其他圖像。
要使用機(jī)器學(xué)習(xí)算法自動分析圖像，您只需執(zhí)行以下三步：
通過提供示例（例如標(biāo)記背景與有用的結(jié)構(gòu)）來訓(xùn)練軟件如何分割您的圖像。
為確保對機(jī)器學(xué)習(xí)模型進(jìn)行最佳訓(xùn)練，您可以預(yù)覽結(jié)果并在必要時提供更多示例或修改輸入。
現(xiàn)在，您可以使用模型對圖像進(jìn)行自動分析，獲得期望的結(jié)果。
視頻：使用Pixel Classifier增強(qiáng)/分離 3 個細(xì)胞區(qū)域（細(xì)胞核、細(xì)胞質(zhì)和細(xì)胞膜）與1個熒光染色。顯示分析工作流程：使用繪圖工具標(biāo)注，通過預(yù)覽驗(yàn)證，訓(xùn)練并應(yīng)用于整個數(shù)據(jù)集
例如，機(jī)器學(xué)習(xí)算法可用于以下類型的分析：
量化蛋白質(zhì)水平和分布
細(xì)胞分析
細(xì)胞分裂分析
基因表達(dá)分析
數(shù)碼顯微圖像由成千上萬個像素組成，圖像中的每個像素都有一個特定的值。機(jī)器學(xué)習(xí)算法使用像素信息來計算圖像中顯示的各個對象的尺寸、形狀和模式。
像素分類算法根據(jù)像素特征、周圍鄰近像素的特征以及用戶的標(biāo)注來為像素分配標(biāo)記。與手動設(shè)置圖像閾值和掩模相比，對像素分類器 進(jìn)行訓(xùn)練有助于在分析中包含更復(fù)雜的分類和信息。重要的是，像素分類可用于進(jìn)行自動圖像分割，此過程將數(shù)碼圖像分離成幾個具有相似特性的區(qū)域。
圖像分割的一個例子是設(shè)置閾值，將不同對象或其他相關(guān)信息分離開。在自動圖像分割中，用戶可以訓(xùn)練像素分類器分配標(biāo)記，使軟件可以自動分割大型的數(shù)碼圖像數(shù)據(jù)集。
訓(xùn)練機(jī)器學(xué)習(xí)算法進(jìn)行自動分割只需幾個簡單的步驟：
提供感興趣對象的示例
標(biāo)記像素并識別您感興趣的區(qū)域(ROI)
自動分析整個數(shù)據(jù)集
一旦模型得到訓(xùn)練和優(yōu)化，就可以提供快速而可靠的結(jié)果，而且算法可以不受限制地使用，并在同事和團(tuán)隊(duì)之間共享，便于進(jìn)一步微調(diào)和訓(xùn)練。
圖像分析中采用傳統(tǒng)方法與機(jī)器學(xué)習(xí)技術(shù)的比較
手動分析與人工智能輔助分析之間存在許多重要的關(guān)鍵差異，下表總結(jié)了這些差異。
傳統(tǒng)方法 | 機(jī)器學(xué)習(xí) |
用戶需要定義用于量化圖像對象的規(guī)則（即閾值、尺寸范圍等） | 用戶使用感興趣結(jié)構(gòu)的示例來訓(xùn)練軟件對像素進(jìn)行分類。 |
無法訓(xùn)練。 | 可以訓(xùn)練算法自行識別特定對象、模式和形狀。 |
根據(jù)具體的測量值來探測感興趣的結(jié)構(gòu)。 | 根據(jù)測量值之外的內(nèi)在特性來探測感興趣的結(jié)構(gòu)。 |
與機(jī)器學(xué)習(xí)算法相比，手動圖像分析容易出現(xiàn)人為誤差——在觀察樣本的顯微鏡圖像數(shù)小時后，研究人員容易發(fā)生決策疲勞和偏差。此外，基于閾值的手動圖像分析在精確度上高度依賴于圖像之間的圖像強(qiáng)度一致性以及充分的圖像對比度，但是在采集顯微鏡圖像時，這兩點(diǎn)有時可能難以實(shí)現(xiàn)。
使用像素分類和自動分割等機(jī)器學(xué)習(xí)算法，您可以消除人為誤差和結(jié)果解釋不正確的風(fēng)險。此外，使用自動圖像分析法來識別感興趣結(jié)構(gòu)可使這一過程顯著加速、更高效。
自動圖像分析法是否適用于我的圖像類型？
像素分類器等機(jī)器學(xué)習(xí)工具具有很高的通用性，可用于各種樣本和各種顯微鏡采集的圖像類型。 例如 ， 機(jī)器學(xué)習(xí)技術(shù)已成功地用于分析 活細(xì)胞/死細(xì)胞實(shí)驗(yàn)和囊泡 觀察 實(shí)驗(yàn) 。
此外，自動圖像分析法可用于處理復(fù)雜的圖像對象，因?yàn)榭梢詫⒛Ｐ陀?xùn)練成根據(jù)據(jù)內(nèi)在特性來探測對象。
機(jī)器學(xué)習(xí)算法甚至能夠分析由不同顯微鏡采集的同一樣本的合并圖像，從而提供更深入的認(rèn)識，還能適應(yīng)不斷變化的實(shí)驗(yàn)和成像條件。
我可以信賴人工智能驅(qū)動的分析技術(shù)來處理顯微圖像嗎？
在您訓(xùn)練模型并優(yōu)化設(shè)置后，自動圖像分析法就能提供穩(wěn)定可靠的結(jié)果。作為用戶，您始終控制著訓(xùn)練過程，并且可以隨時預(yù)覽您的設(shè)置，確保您的監(jiān)督式訓(xùn)練按正確方向進(jìn)行。
與人類用戶不同，機(jī)器學(xué)習(xí)算法不易分心和疲勞，并且能夠持續(xù)產(chǎn)生可重復(fù)性高且可靠的結(jié)果。事實(shí)上，在圖像分類準(zhǔn)確性、敏感性和特異性方面，使用機(jī)器學(xué)習(xí)算法進(jìn)行的自動圖像分析法甚至已被證明顯著優(yōu)于領(lǐng)域?qū)＜?sup style="margin: 0px; padding: 0px; outline: 0px; max-width: 100%; box-sizing: border-box; overflow-wrap: break-word !important; font-size: 12px;">[3]。
參考資料：
1.Kesner, A.、Laforest, R.、Otazo,R.、Kwak, J.、Tinsu, P。數(shù)字創(chuàng)新時代的醫(yī)學(xué)成像數(shù)據(jù)。醫(yī)學(xué)物理學(xué) – 國際醫(yī)學(xué)物理學(xué)研究與實(shí)踐期刊（發(fā)表于2018年2月5日）
2.Schmidt, J.、Marques, M.、R.,G.、Botti, S. 等人。固態(tài)材料科學(xué)中機(jī)器學(xué)習(xí)的最新進(jìn)展和應(yīng)用?！秐pj 計算材料學(xué)》第 5 卷論文編號 83（2019年）
3.Hekler, A.、Utikal, J. S.、Enk, A. H.、Solass, W.、 Schmitt, M.、Klode, J.、Schadendorf, D.、Sondermann, W.、Franklin, C.、Bestvater, F.、Flaig, M. J.、Krahl, D.、von Kalle, C.、Fr?hling, S. 和 Brinker, T. J（2019年）。在黑色素瘤組織病理學(xué)圖像分類方面，深度學(xué)習(xí)技術(shù)擊敗了 11 位病理學(xué)家?！稓W洲癌癥雜志》（英國牛津：1990年）, 118, 91–96