Key points are not available for this paper at this time.
Die computerisierte Mikroskopie-Bildanalyse spielt eine wichtige Rolle in der computerunterstützten Diagnose und Prognose. Maschinenlernverfahren haben viele Aspekte der medizinischen Untersuchung und klinischen Praxis vorangetrieben. In letzter Zeit entwickelt sich Deep Learning zu einem führenden Werkzeug des maschinellen Lernens in der Computer Vision und hat beträchtliche Aufmerksamkeit in der biomedizinischen Bildanalyse erregt. In diesem Papier geben wir einen Überblick über dieses schnell wachsende Feld, speziell für die Mikroskopie-Bildanalyse. Wir stellen kurz die populären tiefen neuronalen Netzwerke vor und fassen die aktuellen Errungenschaften des Deep Learning in verschiedenen Aufgaben zusammen, wie z.B. Detektion, Segmentierung und Klassifikation in der Mikroskopie-Bildanalyse. Insbesondere erklären wir die Architekturen und Prinzipien von konvolutionalen neuronalen Netzen, vollständig konvolutionalen Netzen, rekurrenten neuronalen Netzen, gestapelten Autoencodern und tiefen Glaubensnetzen und interpretieren ihre Formulierungen oder Modellierungen für spezifische Aufgaben an verschiedenen Mikroskopie-Bildern. Darüber hinaus diskutieren wir die offenen Herausforderungen und potenziellen Trends zukünftiger Forschungen in der Mikroskopie-Bildanalyse unter Verwendung von Deep Learning.
Xing et al. (Wed,) haben diese Frage untersucht.