DeadNet：利用深度卷积网络从细胞无标记显微镜图像中识别光毒性
计算机视觉与模式识别
2017-01-24 v1 定量方法
摘要
暴露于强照明光是荧光显微镜不可避免的代价，并且在每次活细胞荧光显微镜实验中都对样本健康构成风险。此外，光毒性对成像实验所得科学结论的可能副作用常常未被考虑。以前，在成像实验中控制光毒性需要额外的标记和实验，限制了其广泛应用。在此，我们提供了一个原理验证，证明成像实验的光毒性效应可以使用深度卷积神经网络（ConvNets）直接从单张相衬图像中识别出来。这为在广泛成像实验中评估细胞健康的自动化工具奠定了基础。此类方法的可解释性对于其采用至关重要。我们通过可视化有助于准确分类的图像显著特征，朝着解释训练好的 ConvNet 的分类机制迈出了一步。
引用
@article{arxiv.1701.06109,
title = {DeadNet: Identifying Phototoxicity from Label-free Microscopy Images of Cells using Deep ConvNets},
author = {David Richmond and Anna Payne-Tobin Jost and Talley Lambert and Jennifer Waters and Hunter Elliott},
journal= {arXiv preprint arXiv:1701.06109},
year = {2017}
}