基于快速稳健深度学习预测的光学显微镜全图-局部图像质量评估

光学显微镜是生命科学和生物医学研究中最广泛使用的方法之一。这些应用需要可靠的实验管道从测量样本中提取有价值的知识，并必须由图像质量评估 (IQA) 支持，以确保正确处理和分析图像数据。IQA 方法实现复杂度各异。然而，虽然大多数质量指标实现 straightforward，但在评估大型数据集时可能耗时且计算成本高。此外，质量指标通常设计用于特定图像特征，可能对超出理想域的图像不稳定。为克服这些限制，近期研究提出了基于深度学习的 IQA 方法，能够提供卓越的性能、更好的通用性和快速预测。我们的方法称为 $\mathrm{\mu}$DeepIQA，灵感来自前述研究，应用用于自然图像的深度卷积神经网络架构用于光学显微镜测量。我们重新训练了相同的架构来预测单个质量指标和全局质量评分。结果模型为图像质量提供快速且稳定的预测，通过在标准方法的理想范围之外的情境下进行泛化。此外，$\mathrm{\mu}$DeepIQA 提供图像质量的 patch-wise 预测，可用于可视化单张图像中空间变异的质量。我们的研究表明，光学显微镜研究可从深度学习模型的通用性中受益，由于其在异常值存在下的稳定性能、能够评估小图像块，以及快速预测能力。