DeepBrain：基于深度卷积自编码器利用基因本体分类的原位杂交图像功能表示
计算机视觉与模式识别
2017-11-28 v1 机器学习
神经与进化计算
机器学习
摘要
本文提出一种新颖的基于深度学习的方法，用于学习哺乳动物神经图像的功能表示。该方法使用深度卷积去噪自编码器（CDAE）来生成原位杂交（ISH）图像的不变、紧凑表示。虽然现有的大多数生物图像分析方法并非为处理具有高度复杂解剖结构的图像而开发，但本文给出的结果表明，由CDAE提取的功能表示能够帮助以极高准确率学习功能基因本体类别的特征并对其进行分类。利用该CDAE表示，我们的方法将平均AUC从0.92提升至0.98，即实现了75%的错误率降低，从而优于先前最先进的分类率。该方法对相对于原始图像显著降采样的输入图像进行操作，以使其在计算上可行。
引用
@article{arxiv.1711.09663,
title = {DeepBrain: Functional Representation of Neural In-Situ Hybridization Images for Gene Ontology Classification Using Deep Convolutional Autoencoders},
author = {Ido Cohen and Eli David and Nathan S. Netanyahu and Noa Liscovitch and Gal Chechik},
journal= {arXiv preprint arXiv:1711.09663},
year = {2017}
}