利用生成式自监督学习评估缺乏标注的生物图像：以 COVID-19 为例
图像与视频处理
2023-07-13 v2 计算机视觉与模式识别
摘要
生物图像的计算机辅助分析通常需要在大规模标注数据集上进行广泛训练，这在许多情况下不可行。在本文中，我们提出 GAN-DL，一种基于 StyleGAN2 架构的判别器学习器，我们将其用于荧光生物图像情况下的自监督图像表示学习。我们展示了 Wasserstein 生成对抗网络与线性支持向量机的结合能够基于原始图像实现高通量化合物筛选。我们通过分类在 VERO 和 HRCE 细胞系中测试用于抑制 SARS-CoV-2 感染的活性和非活性化合物来证明这一点。与先前的方法不同，我们基于深度学习的方法不需要任何除样本制备过程中通常收集的标注之外的标注。我们在 RxRx19a Sars-CoV-2 图像集上测试了我们的技术。该数据集由荧光图像组成，这些图像用于评估已获监管批准或处于后期临床试验阶段的化合物在 VERO 和 HRCE 细胞系中调节 SARS-CoV-2 体外感染的能力。我们展示了我们的技术不仅可用于分类任务，还可以自监督方式有效推导被测处理的剂量响应曲线。最后，我们通过成功解决零样本学习任务（包括对 RxRx1 荧光图像集中的四种不同细胞类型进行分类）展示了其泛化能力。
引用
@article{arxiv.2107.07761,
title = {Exploiting generative self-supervised learning for the assessment of biological images with lack of annotations: a COVID-19 case-study},
author = {Alessio Mascolini and Dario Cardamone and Francesco Ponzio and Santa Di Cataldo and Elisa Ficarra},
journal= {arXiv preprint arXiv:2107.07761},
year = {2023}
}