概括
深度神经网络在样本失焦时,难以对生物医学图像进行分类. 使用振幅和相位数据的定量相位成像 (QPI) 无法克服标准深度学习模型中的这一局限性.
科学领域:
- 生物医学成像学 生物医学成像学
- 计算机成像成像技术
- 深度学习是一种深度学习.
背景情况:
- 深度神经网络 (DNN),特别是CNN,在生物医学图像分类方面表现出色.
- 样本失焦是为DNN准备微观数据集的一个重大挑战.
- 定量相位成像 (QPI) 使用振幅和相位数据提供数字重定位.
研究的目的:
- 评估神经网络是否可以从失焦平面直接处理复杂的现场数据 (振幅和相位),以克服失焦问题.
- 为了研究图像分类DNN的失焦耐受性,使用全复杂字段输入.
- 评估使用失焦的QPI数据用于分类正常红细胞和细胞的有效性.
主要方法:
- 富里埃图谱显微镜 (FPM) 用于捕捉焦点振幅和相位图像.
- 复杂的字段被数字传播,以创建逐渐失焦的数据集.
- 标准的深度学习模型在这些失焦的数据集上进行了训练和测试,用于细胞分类.
主要成果:
- 数字失焦的图像包含了理论上足以重新聚焦的信息.
- 标准的深度学习模型未能有效地区分使用非聚焦的复杂现场数据的细胞类型.
- 突出了当前DNN在利用非聚焦信息方面的固有局限性.
结论:
- 从失焦平面直接输入标准DNN的振幅和相位数据并不能解决图像分类的失焦问题.
- 对于解决当前深度学习模型的失焦问题,QPI的数字重定位能力仍然至关重要.
- 需要进一步的研究来开发能够从失焦的复杂领域提取信息的DNN架构.
