4
在顯微圖像分析中運用機器學習技術(shù)
輕松進行圖像分割，即時獲得可靠的結(jié)果：訓練您自己的機器學習模型，實現(xiàn)快速且可重復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展，因此，在生物醫(yī)學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域的主要挑戰(zhàn)之一，因為該過程需要耗費大量人力，并且容易出現(xiàn)觀察者內(nèi)差異和觀察者間差異。
好消息是機器學習算法的最新發(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用機器學習技術(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。
使用機器學習算法進行自動圖像分析時，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)。機器學習算法可以經(jīng)過訓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
使用機器學習算法，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，因為您只需提供要分析對象的示例，而不必提供用來定義這些對象的具體參數(shù)（如強度閾值、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，機器學習究竟是什么？自動圖像分析法的工作原理是什么？
機器學習是人工智能(AI)的一個分支，目的是創(chuàng)建能夠自動學習并提高準確度的算法?？偟膩碚f，在顯微圖像分析中使用機器學習時，首先要用數(shù)據(jù)對專門的軟件進行訓練，使其做出準確的預測。在此過程中，系統(tǒng)首先學習從數(shù)據(jù)中提取相關特征。然后利用這些信息自行對新數(shù)據(jù)做出判斷。
在實踐中，這意味著您可以訓練軟件如何為您分割圖像，使它學會自行正確識別相關的圖像片段，并提供您所需要的輸出。
一旦經(jīng)過訓練，算法就能夠準確地重現(xiàn)與人類用戶相同的輸出，并且將相同的分割模式應用于其他圖像。
要使用機器學習算法自動分析圖像，您只需執(zhí)行以下三步：
通過提供示例（例如標記背景與有用的結(jié)構(gòu)）來訓練軟件如何分割您的圖像。
為確保對機器學習模型進行最佳訓練，您可以預覽結(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行自動分析，獲得期望的結(jié)果。
視頻：使用Pixel Classifier增強/分離 3 個細胞區(qū)域（細胞核、細胞質(zhì)和細胞膜）與1個熒光染色。顯示分析工作流程：使用繪圖工具標注，通過預覽驗證，訓練并應用于整個數(shù)據(jù)集
例如，機器學習算法可用于以下類型的分析：
量化蛋白質(zhì)水平和分布
細胞分析
細胞分裂分析
基因表達分析
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。機器學習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注來為像素分配標記。與手動設置圖像閾值和掩模相比，對像素分類器 進行訓練有助于在分析中包含更復雜的分類和信息。重要的是，像素分類可用于進行自動圖像分割，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置閾值，將不同對象或其他相關信息分離開。在自動圖像分割中，用戶可以訓練像素分類器分配標記，使軟件可以自動分割大型的數(shù)碼圖像數(shù)據(jù)集。
訓練機器學習算法進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，并在同事和團隊之間共享，便于進一步微調(diào)和訓練。
圖像分析中采用傳統(tǒng)方法與機器學習技術(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鍵差異，下表總結(jié)了這些差異。
傳統(tǒng)方法 | 機器學習 |
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)的示例來訓練軟件對像素進行分類。 |
無法訓練。 | 可以訓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)。 |
與機器學習算法相比，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，這兩點有時可能難以實現(xiàn)。
使用像素分類和自動分割等機器學習算法，您可以消除人為誤差和結(jié)果解釋不正確的風險。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？
像素分類器等機器學習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 ， 機器學習技術(shù)已成功地用于分析 活細胞/死細胞實驗和囊泡 觀察 實驗 。
此外，自動圖像分析法可用于處理復雜的圖像對象，因為可以將模型訓練成根據(jù)據(jù)內(nèi)在特性來探測對象。
機器學習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識，還能適應不斷變化的實驗和成像條件。
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？
在您訓練模型并優(yōu)化設置后，自動圖像分析法就能提供穩(wěn)定可靠的結(jié)果。作為用戶，您始終控制著訓練過程，并且可以隨時預覽您的設置，確保您的監(jiān)督式訓練按正確方向進行。
與人類用戶不同，機器學習算法不易分心和疲勞，并且能夠持續(xù)產(chǎn)生可重復性高且可靠的結(jié)果。事實上，在圖像分類準確性、敏感性和特異性方面，使用機器學習算法進行的自動圖像分析法甚至已被證明顯著優(yōu)于領域?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)學成像數(shù)據(jù)。醫(yī)學物理學 – 國際醫(yī)學物理學研究與實踐期刊（發(fā)表于2018年2月5日）
2.Schmidt, J.、Marques, M.、R.,G.、Botti, S. 等人。固態(tài)材料科學中機器學習的最新進展和應用?！秐pj 計算材料學》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圖像分類方面，深度學習技術(shù)擊敗了 11 位病理學家?！稓W洲癌癥雜志》（英國牛津：1990年）, 118, 91–96