无偏见的图像细分评估工具包用于最先进的算法和管道的定量差异化
Vishakha Goyal1,2, Nick J Schaub1,2, Ty C Voss1,2
1Information Research Technology Branch (ITRB), National Center for Advancing Translational Science (NCATS), National Institutes of Health (NIH), 9800 Medical Center Dr, Rockville, MD, 20850, USA.
BMC bioinformatics
|October 12, 2023
概括
本研究介绍了用于显微镜中全面评估图像细分的自动化管道. 它简化了度量选择,使得能够更好地评估细胞区分的准确性.
科学领域:
- 显微镜和图像分析
- 计算生物学 计算生物学
- 生物信息学是一种生物信息学.
背景情况:
- 显微镜图像细分管道对于识别细胞结构,如细胞核和细胞质至关重要.
- 缺乏标准化的方法阻碍了对细分管道性能进行准确的比较.
- 由于大量可用的指标,研究人员在选择适当的细分评估管道时面临挑战.
研究的目的:
- 开发用于全面评估图像细分精度的自动化管道.
- 提出一种选择最佳细分评估模型的方法.
- 为研究人员提供可访问的工具来评估和比较细分管道.
主要方法:
- 开发自动化管道,生成69个不同的指标,用于细分数据评估.
- 实施采用定量分析,尺寸缩小和无监督分类的选择方法.
- 创建用户友好的Python库,命令行工具,通用工作流语言工具和Web图像处理管道插件.
主要成果:
- 证明一小部分的指标可以提供对细分精度的全面理解.
- 识别对特定类型的细分错误敏感的不同指标组.
- 成功应用评估方法来观察机器学习/深度学习工作流程中的细分变化.
结论:
- 开发的工具为评估不同用户级别的图像细分提供了可访问的解决方案.
- 拟议的方法促进了对细分评估模型的知情选择.
- 这些指标和方法有助于理解细分性能及其在现代计算管道中的演变.
