用于显微原位杂交图像分析与分类的自编码器优化
图像与视频处理
2023-12-21 v1 计算机视觉与模式识别
定量方法
摘要
目前，显微原位杂交图像的分析由专家手动完成。对此类显微图像进行精确评估与分类，可减轻专家工作负担并揭示数据中更深层的见解。在本工作中，我们提出一种深度学习框架，用于检测并分类具有相似基因表达水平的显微图像区域。我们所分析的数据需要一种无监督学习模型，为此我们采用了一种人工神经网络——深度学习自编码器。该模型的性能通过平衡潜在层的长度与复杂度以及微调超参数得到优化。结果通过改进均方误差（MSE）度量并与专家评估进行比较得以验证。
引用
@article{arxiv.2304.09656,
title = {Optimizations of Autoencoders for Analysis and Classification of Microscopic In Situ Hybridization Images},
author = {Aleksandar A. Yanev and Galina D. Momcheva and Stoyan P. Pavlov},
journal= {arXiv preprint arXiv:2304.09656},
year = {2023}
}
备注
9 pages; 9 figures