深度神经网络在光显微镜图像的语义细分中的基准稳定性
Liqun Zhong1,2, Lingrui Li1,2, Ge Yang3,4
1School of Artificial Intelligence, University of Chinese Academy of Sciences, Beijing, 100049, China.
BMC bioinformatics
|August 20, 2024
概括
用于光显微镜 (FM) 图像分割的深度神经网络 (DNN) 显示出明显的稳定性特性. 在自然图像上强大的模型可能会在FM数据上失败,需要仔细选择和设计以进行可靠的生物成像分析.
科学领域:
- 生物成像技术 生物成像技术
- 计算生物学 计算生物学
- 机器学习 机器学习
背景情况:
- 光显微镜 (FM) 对于生物成像至关重要,图像细分是关键的分析步骤.
- 深度神经网络 (DNN) 在图像细分方面表现出色,但它们在FM中对图像损坏的强度尚不清楚.
研究的目的:
- 开发和使用一种测试来对FM图像上的DNN细分模型的稳定性进行基准测试.
- 调查DNN在各种腐败和针对FM数据的对抗性攻击下的性能.
主要方法:
- 创建现实的合成2D FM图像,控制腐败和对抗性攻击.
- 通过使用开发的测试,对十个代表性的DNN模型 (例如DeepLab,视觉变压器) 进行了基准测试.
- 在不同方式的真实显微镜图像上验证的结果.
主要成果:
- 在自然图像上强大的DNN模型在FM图像上表现不佳.
- 确定了新的稳定性属性,以及FM的DNN中腐败和对抗性稳定性之间的联系.
- 合成数据对比结果与真实显微镜图像评估结果一致.
结论:
- 对于FM图像的语义细分,DNN具有独特的稳定性特征.
- 为选择和设计适用于FM图像分割的强大的DNN模型提供了建议.
