基于深度少样本学习的生物图像分类与有限训练样本可视化
机器学习
2020-10-21 v1
摘要
由于获取与标注训练数据成本高昂，预测建模在生物图像分析中十分有用却极具挑战。例如，在果蝇胚胎发生中基因互作与调控的研究里，比较同一发育阶段的原位杂交（ISH）基因表达模式图像才最具生物学意义。然而，即便对于发育生物学家，用精确阶段标注训练数据也极为耗时。因此，一个关键挑战是如何从有限训练样本构建精确计算模型以进行精细发育阶段分类。此外，为让生物学家解读预测结果并校准模型，还需识别与可视化发育标志。为应对这些挑战，我们提出一种深度两步少样本学习框架，利用有限训练图像精确分类 ISH 图像。具体地，为使有限训练样本上的模型训练准确，我们将该任务表述为深度少样本学习问题，并开发包含数据级学习与特征级学习的新型两步学习方法。我们以深度残差网络为基模型，在 ISH 图像的精确阶段预测任务中取得更优性能。进一步，该深度模型可通过计算显著图进行解释，显著图由图像对其预测结果的像素级贡献组成。在我们的任务中，显著图用于辅助发育标志的识别与可视化。实验结果表明，所提模型不仅能准确预测，还可给出具有生物学意义的解释。我们预期我们的方法可轻松推广至其他训练集较小的生物图像分类任务。
引用
@article{arxiv.2010.10050,
title = {Deep Low-Shot Learning for Biological Image Classification and Visualization from Limited Training Samples},
author = {Lei Cai and Zhengyang Wang and Rob Kulathinal and Sudhir Kumar and Shuiwang Ji},
journal= {arXiv preprint arXiv:2010.10050},
year = {2020}
}