CHAMMI：显微镜成像中通道自适应模型的基准
计算机视觉与模式识别
2024-01-17 v2
摘要
大多数神经网络假设输入图像具有固定数量的通道（RGB图像为三个）。然而，在许多场景中通道数可能变化，例如显微镜图像中通道数随仪器和实验目标而不同。尽管如此，尚未有系统性尝试创建并评估对通道数量和类型不变的神经网络。因此，训练好的模型仍局限于个别研究，难以复用于其他显微镜设置。本文提出一个用于研究显微镜成像中通道自适应模型的基准，包含：1）一个多通道单细胞图像数据集，以及2）一个生物学相关的评估框架。此外，我们调整了若干现有技术以创建通道自适应模型，并将其在该基准上的性能与固定通道的基线模型进行比较。我们发现通道自适应模型能更好地泛化至域外任务，并且计算高效。我们贡献了一个精选数据集（https://doi.org/10.5281/zenodo.7988357）和一个评估API（https://github.com/broadinstitute/MorphEm.git），以促进未来研究与应用中的客观比较。
引用
@article{arxiv.2310.19224,
title = {CHAMMI: A benchmark for channel-adaptive models in microscopy imaging},
author = {Zitong Chen and Chau Pham and Siqi Wang and Michael Doron and Nikita Moshkov and Bryan A. Plummer and Juan C. Caicedo},
journal= {arXiv preprint arXiv:2310.19224},
year = {2024}
}
备注
Accepted at NeurIPS Track on Datasets and Benchmarks, 2023