使用等价神经网络对旋转不变的生物医学图像进行分类
Karl Bengtsson Bernander1, Ida-Maria Sintorn2,3, Robin Strand2
1Centre for Image Analysis, Department of Information Technology, Uppsala University, Uppsala, Sweden. karl.bengtsson_bernander@it.uu.se.
Scientific reports
|July 1, 2024
概括
等价神经网络改善了传输电子显微镜 (TEM) 和光显微镜的图像分析. 通过结合p4对称性,这些网络实现了更高的准确性和更快的训练,用于病毒和血细胞图像分类.
科学领域:
- 计算机视觉 计算机视觉
- 机器学习 机器学习
- 显微镜 图像分析
背景情况:
- 像传输电子显微镜 (TEM) 和光显微镜这样的显微镜技术对于分析纳米尺寸结构 (例如病毒) 和生物样本 (例如血细胞) 至关重要.
- 来自显微镜的图像数据集经常表现出固有的对称性,例如旋转不变性,这表明对称性意识计算模型的潜在实用性.
研究的目的:
- 开发和评估一个等价神经网络,用于显微镜中增强图像分析.
- 将等价网络的性能与标准卷积神经网络 (CNN) 基线进行比较.
主要方法:
- 建立了一个基线VGG16卷积神经网络 (CNN).
- 使用组卷曲来修改CNN,使其与p4对称性组 (旋转乘以90°的倍数) 相等.
- 同等变量和基线网络在TEM病毒数据集和光显微镜血细胞图像数据集上进行了训练和测试.
主要成果:
- 同等变量网络在TEM病毒数据集上平均达到7.6%的最高验证准确度.
- 对等变量网络来说,训练趋同速度更快,在病毒数据集上为23.1%,在血细胞数据集上为7.9%.
- 同等变量网络显示,随着数据的增加,学习曲线更,基线的斜率为-0.43与-0.26,表明更好的可扩展性.
结论:
- 等价神经网络在显微镜图像分析的准确性和训练效率方面提供了显著的优势.
- 使用等同变量网络可能会消除对数据增强策略的需求,以旋转为重点.
- 这些发现扩展了对等变量网络的应用到具有内在对称性的图像数据集,提高了性能和学习效率.
