使用深度学习模型加快域意识的电子显微镜分析,使用合成数据和全图像信心评分的深度学习模型

科学领域:

• 材料科学 材料科学 材料科学
• 计算生物学 计算生物学
• 图像分析 图像分析

背景情况:

• 机器学习 (ML) 模型改进了显微镜特征检测,但依赖于有限的,有缺陷的,手动标记的数据集.
• 当前的ML模型中缺乏领域意识,阻碍了它们在科学研究中的实际应用.

研究的目的:

• 在显微镜中开发基于物理的合成数据生成器用于ML.
• 创建一个在合成数据上训练的ML模型,其性能与在人类标记数据上训练的模型相比较.
• 通过信心指标来提高ML模型的可靠性和领域意识.

主要方法:

• 创建了一个基于物理的合成图像和数据生成器.
• 在生成的合成数据上训练了一个ML模型.
• 使用特征预测分数开发了一个全图像的信心指标.
• 应用值来过模两可或域外图像.

主要成果:

• 合成数据训练的ML模型实现了精度 (0.86),回忆 (0.63),F1得分 (0.71) 和工程属性预测 (R = 0.82),与人类标记数据相比.
• 信任度指标在25%的过率下提高了5-30%的性能.
• 证明了合成数据的有效性,消除了对人类标签的依赖.

结论:

• 基于物理的合成数据生成是一种可行的替代方法,可以替代显微镜中ML的手动标签.
• 合成数据可以提高领域的认识,并提高ML模型用于特征检测的可靠性.
• 这种方法减少了对人类的依赖,并提高了科学成像中的ML应用的可扩展性.