Создан новый алгоритм для обработки биологических изображений

Исследователи Сколтеха представили новый метод обработки биологических изображений, который позволяет точно выделять конкретные биологические объекты на сложных изображениях. Их результаты будут представлены в качестве устного доклада на конференции по компьютерному зрению, CVPR 2020.

Биологи получают огромное количество информации в виде биологических изображений, что делает их автоматическую обработку сложной задачей. Исследователям часто приходится обрабатывать изображения с большим количеством объектов, что особенно сложно, когда речь идет о микроскопических изображениях с перекрывающимися объектами, плохим качеством и четкостью изображения.

Машинное обучение (ML) помогает обучить компьютер обрабатывать биологические изображения, делая анализ данных намного быстрее, точнее и последовательнее в ходе экспериментов.

Лаборатория компьютерного зрения Сколтех Центра вычислительной и наукоемкой науки и техники (CDISE) предложила новый метод для сегментирования биологических объектов, таких как отдельные клетки, организмы и части растений, в сложные изображения. Первым автором исследования был Виктор Куликов, который работал научным сотрудником под руководством профессора Сколтех Виктора Лемпицкого. Новый метод сводит сложную задачу разделения объектов к более простой задаче регрессии. Это достигается путем введения дополнительных гармонических сигналов во входные слои нейронной сети и автоматической настройки параметров сигналов в соответствии с типичным размером и расположением объектов, подлежащих изоляции.

Ученые использовали изображения четырех типов: фотографии растений, фотографии с большим количеством червей C. Elegants, микроскопические изображения бактерий E. Coli и изображения культуры раковых клеток HeLa. Их двухэтапный алгоритм обучения нейронной сети блестяще справился с задачей: обученный для выбранного типа изображения, нейронные сети превзошли другие методы в изоляции листьев растений, червей, раковых клеток и отдельных бактерий. Новый метод может быть использован в научных исследованиях и здравоохранении.

“Основным преимуществом нового метода является то, что он может учиться даже из небольших наборов данных. Мы надеемся, что наш алгоритм найдет применение как в биологических исследованиях, так и в других областях, где трудно получить маркированные обучающие изображения”, – сказал Лемпицкий.

По материалам Techxplore