심층 다중 인스턴스 학습을 통한 현미경 이미지 분류 및 세분화

동기: 고내용 스크리닝(HCS) 기술은 세포 생물학 연구 및 약물 스크리닝을 위한 대규모 이미징 실험을 가능하게 했습니다. 이러한 시스템은 하루 수십만 개의 현미경 이미지를 생성하며, 그 유용성은 자동화된 이미지 분석에 달려 있습니다. 최근 잔여값에서 직접 특성 표현을 학습하는 심층 학습 접근 방식이 객체 인식 문제를 지배하고 있습니다. 이러한 작업은 일반적으로 이미지당 단일 중심 객체를 가지며 기존 모델은 현미경 데이터 세트에 직접 적용할 수 없습니다. 여기서 우리는 전체 이미지 수준 주석만을 사용하여 현미경 이미지를 분류하고 세분화하기 위해 심층 합성곱 신경망(CNN)과 다중 인스턴스 학습(MIL)을 결합한 접근 방식을 개발합니다. 결과: 우리는 세포 집단으로 현미경 이미지를 동시에 분류하고 세분화하기 위해 MIL을 사용하는 새로운 신경망 아키텍처를 소개합니다. 우리는 MIL에서 사용되는 집계 함수와 CNN에서 사용되는 풀링 레이어 간의 유사성을 기반으로 접근 방식을 구성합니다. CNN 특성 맵에서 많은 수의 인스턴스를 집계할 수 있도록 하기 위해, 우리는 이상치에 강건한 새로운 MIL 연산자인 Noisy-AND 풀링 함수를 제시합니다. CNN과 MIL을 결합하면 이미지 수준 레이블이 있는 전체 현미경 이미지를 사용하여 CNN을 훈련할 수 있습니다. 우리는 end-to-end MIL CNN 훈련이 포유류 및 효모 데이터 세트에서 이전의 여러 방법보다 성능이 우수하다는 것을 보여주며, 세분화 단계가 필요하지 않습니다. 가용성 및 구현: Torch7 구현은 요청 시 제공됩니다. 연락처: oren.kraus@mail.utoronto.ca.