DeepNoise：基于深度学习分类荧光显微图像的信号与噪声解耦
图像与视频处理
2022-12-09 v2
摘要
基于高内涵图像的测定常用于识别生物学领域中遗传扰动的表现型影响。然而，实验中一个悬而未决的问题是：由系统误差（如温度、试剂浓度和孔位）引起的干扰性技术噪声总是与真实生物信号混杂，导致任何得出的结论被误读。在此，我们展示了一个基于 mean teacher 的深度学习模型（DeepNoise），可将生物信号与实验噪声解耦。具体而言，我们的目标是对来自 125,510 张荧光显微图像的 1,108 种不同遗传扰动的表现型影响进行分类，这些图像人眼完全无法辨认。我们通过参加 Recursion 细胞图像分类挑战赛验证模型，所提方法取得了极高的分类分数（准确率：99.596%），在 866 个参赛组中排名第二。这一 promising 结果表明生物与技术因素的成功分离，或有助于降低治疗开发成本并加速药物发现进程。
引用
@article{arxiv.2209.05772,
title = {DeepNoise: Signal and Noise Disentanglement based on Classifying Fluorescent Microscopy Images via Deep Learning},
author = {Sen Yang and Tao Shen and Yuqi Fang and Xiyue Wang and Jun Zhang and Wei Yang and Junzhou Huang and Xiao Han},
journal= {arXiv preprint arXiv:2209.05772},
year = {2022}
}