有效的监督预训的swin变压器用于虚拟染色的显微镜图像

科学领域:

• 计算生物学是一种计算生物学.
• 生物成像是一种生物成像.
• 生命科学中的人工智能

背景情况:

• 光染色对于细胞分析至关重要,但耗时且限制了同时标记.
• 虚拟染色通过消除化学标签提供了一个替代方案,但深度学习模型需要广泛的预训练.
• 现有的虚拟染色方法经常使用私有数据集和各种指标,阻碍了公平的比较.

研究的目的:

• 开发一种高效的虚拟染色方法,减少对大数据集和计算的依赖.
• 为基于变压器的虚拟染色模型引入一种新的预训练策略.
• 建立一个标准化的基准来评估虚拟染色技术.

主要方法:

• 构建了一个Swin变压器模型用于虚拟染色.
• 提出了一种高效的监督预训练方法,使用掩盖自动编码器 (MAE) 与下方采样和网格采样来掩盖75%的像素.
• 开发了一个监督的代理任务来预测多样化的染色图像,而不是掩盖的像素.
• 创建了一个使用三个公共数据集进行公平评估的标准基准.

主要成果:

• 与最初的MAE相比,拟议的预训练方法将预训练时间缩短了16倍.
• 在三个基准数据集上实现了最先进的性能,无论是定量还是质量.
• 废弃性研究证实了拟议的预训练策略的有效性.

结论:

• 开发的高效监督预训练方法显著提高了虚拟染色性能,同时降低了计算需求.
• 标准化的基准和基线为未来虚拟染色研究提供了宝贵的资源.
• 该方法为生命科学中细胞成分标签提供了更容易获得和更有效的解决方案.