Нейросеть обучили точно обрабатывать биологические изображения.

Исследователи из Сколковского института науки и технологий представили новый алгоритм, обрабатывающий биологические изображения. Он позволяет точно выделять отдельные биологические объекты из сложных фотографий.

Для проведения многих биологических исследований требуется анализ полученных изображений, например при использовании микроскопии. Автоматизировать этот процесс довольно сложно. Для этого приходится обрабатывать множество слоев и разнообразных объектов одновременно, особенно если речь идет о микроскопических изображениях, в которых объекты накладываются друг на друга, а качество и четкость картинки могут быть очень низкими. Ускорить такой анализ можно с помощью компьютера, который способен благодаря машинному обучению быстро обрабатывать большое количество картинок и вычленять из них отдельные объекты.

Исследователи в своей работе представили новый метод для вычленения биологических объектов, таких как клетки, из сложных изображений. В его основу ученые положили идею упрощения сложной задачи разделения объектов до более простой регрессии. Этого авторам удалось достичь с помощью введения дополнительных «гармонических» сигналов в нейронную сеть и автоматической подстройки параметров этих сигналов под характерный размер и расположение разделяемых объектов.

Для анализа исследователи использовали четыре разных типа изображений: снимки растений, изображения с большим количеством червей С. Elegans, микроскопические снимки бактерий E. Coli и культур раковых клеток HeLa. Новый метод машинного обучения состоял из двух этапов, использование которых позволило улучшить обработку изображений. В ходе работы ученые обучали нейросеть отдельным массивом данных под каждый тип снимков. Это позволило анализировать изображения биологических объектов намного точнее ранее представленных методов. Благодаря алгоритму исследователи смогли выделить листья растений, червей, раковые клетки и отдельные бактерии. Новый метод может найти свое применения в научных исследованиях и медицинской практике.

«Основным преимуществом нового метода является способность обучаться даже на маленьких выборках. Мы надеемся, что предложенный нами алгоритм найдет применение не только в биологических исследованиях, но и в других отраслях, в которых сложно получать большие выборки размеченных обучающих изображений», — рассказывает Виктор Лемпицкий.

Результаты исследования будут представлены в виде устного доклада на конференции по компьютерному зрению СVPR 2020, и доступны на сайте препринтов https://arxiv.org/abs/1904.05257

Исходный код доступен по адресу https://github.com/kulikovv/harmonic

Источник: github.com

Комментарии: