面向高内涵图像的元数据引导一致性学习
计算机视觉与模式识别
2023-06-13 v2
摘要
高内涵成像分析可以捕获大量化合物处理组的丰富表型响应数据，有助于新药的表征与发现。然而，从高内涵图像中提取能够捕捉表型中细微差别的代表性特征仍然具有挑战性。高质量标签的缺乏使得有监督深度学习难以取得令人满意的结果。自监督学习方法在自然图像上已取得巨大成功，并为显微镜图像提供了一种有吸引力的替代方案。然而，我们发现自监督学习技术在高内涵成像分析上表现不佳。一个挑战是数据中存在的不良域偏移，称为批次效应，其由生物噪声或不受控的实验条件引起。为此，我们引入了跨域一致性学习（CDCL），一种能够在批次效应存在下进行学习的自监督方法。CDCL 强制学习生物相似性，同时忽略不良的批次特定信号，从而产生更有用且更通用的表示。这些特征根据其形态变化进行组织，并且对下游任务（如区分处理和作用机制）更有用。
引用
@article{arxiv.2212.11595,
title = {Metadata-guided Consistency Learning for High Content Images},
author = {Johan Fredin Haslum and Christos Matsoukas and Karl-Johan Leuchowius and Erik Müllers and Kevin Smith},
journal= {arXiv preprint arXiv:2212.11595},
year = {2023}
}