CHAMMI-75：用于异构显微镜图像多通道模型的预训练
计算机视觉与模式识别
2026-03-04 v2 机器学习
摘要
利用图像和机器学习对细胞形态进行量化已被证明是研究细胞对处理反应的强大工具。然而，通常用于量化细胞形态的模型仅用单一显微镜成像类型训练，导致这些模型在技术规格不匹配（例如不同通道数）时无法在不同生物学研究中重用。本文提出了 CHAMMI-75 数据集，包含来自 75 个不同生物学研究的异构、多通道显微镜图像，作为开放资源。我们从公开来源筛选此资源，以探索能够适应不同显微镜图像类型的细胞形态模型。我们的实验表明，使用 CHAMMI-75 训练可提高多通道生物成像任务的性能，主要是由于其在显微镜模态方面的高多样性。本工作为创建下一代用于生物学研究的细胞形态模型指明了方向。
引用
@article{arxiv.2512.20833,
title = {CHAMMI-75: Pre-training multi-channel models with heterogeneous microscopy images},
author = {Vidit Agrawal and John Peters and Tyler N. Thompson and Mohammad Vali Sanian and Chau Pham and Nikita Moshkov and Arshad Kazi and Aditya Pillai and Jack Freeman and Byunguk Kang and Samouil L. Farhi and Ernest Fraenkel and Ron Stewart and Lassi Paavolainen and Bryan A. Plummer and Juan C. Caicedo},
journal= {arXiv preprint arXiv:2512.20833},
year = {2026}
}
备注
47 Pages, 23 Figures, 26 Tables. Published in ICLR 2026