显微图像的解缠表示

显微图像分析是从诊断到合成工程和环境监测等不同应用中的基本任务。现代采集系统已经为获取日益增长的图像数量提供了可能，导致需要随之发展的大量基于深度学习的自动图像分析方法。尽管深度神经网络在该领域已显示出卓越的性能，但可解释性——这是显微图像分析中必不可少的要求——仍是一个开放的挑战。本工作提出了一种解缠表示学习(DRL)方法，用于增强显微图像分类的模型可解释性。通过利用来自三个不同显微图像领域(水蚻、酵母囊泡和人类细胞)的基准数据集，我们展示了DRL框架如何通过从合成数据迁移学习的表示，能够在该领域提供准确性和可解释性之间的良好权衡。