具有特征的转移学习方法 通过高不平衡和多标签分类的基因算法进行区块选择 HPA同焦显微镜图像的基因算法

科学领域:

• 计算生物学是一种计算生物学.
• 医学成像分析分析 医学成像分析
• 深度学习应用程序深度学习应用程序

背景情况:

• 深度学习在图像分类方面表现出色,但在复杂的医学成像数据集中面临挑战,例如人类蛋白质图谱 (HPA).
• 由于高类不平衡,罕见模式和多标签分类要求,HPA数据集存在计算困难.
• 该数据集包括28个模式,超过500个标签组合,以及每个样本的四个不同的成像通道 (绿色,红色,蓝色,黄色).

研究的目的:

• 开发一种有效的深度学习策略,用于分析复杂的人类蛋白质图谱数据集.
• 为了提高细胞结构内的罕见蛋白质局部化模式的准确识别.
• 利用预训练的卷积神经网络 (CNN) 的转移学习和特征提取来进行增强的分类.

主要方法:

• 一个双相转移学习方法,使用从12个 ImageNet 预训练的 CNN 提取特征块.
• 第一阶段:使用CNN作为特征提取器和支持矢量机 (SVM) 分类器进行单标签多类分类,结合特征块选择的遗传算法.
• 第二阶段:应用两个多标签分类策略,整合图像级 (通道分析) 和细胞级 (核和核膜环特征) 分析.

主要成果:

• 来自不同CNN的连接特征块在第一阶段显著提高了性能.
• 图像层面的分析揭示了绿色通道的个人优势以及将其与红色和黄色通道相结合的好处.
• 聚焦于细胞核和核膜环的细胞水平分析有效地识别了罕见的模式,优于现有方法.

结论:

• 拟议的两阶段转移学习方法有效地解决了HPA数据集的挑战,特别是罕见模式识别.
• 图像层面和细胞层面分析的整合提高了微妙和不频繁的蛋白质定位的检测.
• 该研究在"杆与环"模式中获得了值得注意的F1分数0.8,表明了生物和临床应用的显著进展.