半监督学习方法在高内涵筛选质量控制中的比较
计算机视觉与模式识别
2022-08-10 v1 机器学习
摘要
自动化显微镜与定量图像分析的进展推动了高内涵筛选（HCS）成为一种高效的药物发现与研究工具。尽管 HCS 能够从高吞吐量图像中量化复杂的细胞表型，但这一过程可能被图像像差所阻碍，例如离焦模糊、荧光团饱和、碎屑、高水平噪声、意外自发荧光或空图像。尽管该问题在文献中受到的关注有限，但忽视这些伪影会严重妨碍下游图像处理任务并阻碍对细微表型的检测。因此，在 HCS 中使用质量控制是首要关切和先决条件。在这项工作中，我们评估了不需要大量图像标注的深度学习方案，为此问题提供直接且易用的半监督学习解决方案。具体而言，我们比较了近期自监督与迁移学习方法在为高吞吐量伪影图像检测器提供基础编码器方面的效能。本研究结果表明，应优先选择迁移学习方法，因为它们不仅在此任务中表现最佳，而且具有不需要敏感超参数设置或大量额外训练的优势。
引用
@article{arxiv.2208.04592,
title = {Comparison of semi-supervised learning methods for High Content Screening quality control},
author = {Umar Masud and Ethan Cohen and Ihab Bendidi and Guillaume Bollot and Auguste Genovesio},
journal= {arXiv preprint arXiv:2208.04592},
year = {2022}
}