使用机器学习技术进行显微图像分析

轻松进行图像分割，即时获得可靠的结果：训练您自己的机器学习模型，实现快速且可重复的图像分析工作流程

显微成像技术Z近取得了令人振奋的进展，因此，在生物医学研究中采集的图像数据无论质量还是数量都呈指数级增长[1,2]。但是，分析日益复杂的大型图像数据集以提取有意义的信息可能是一个既枯燥又 耗时 的过程，而且容易出现人为误差和偏差，这经常给许多研究人员造成生产效率瓶颈。
图像分割
图像分割是将一幅数码图像分离成多组像素（也称为图像片段或图像对象）的过程，它是进一步分析图像以定位特定感兴趣对象的先决步骤。
 
目前，图像分割是显微镜图像分析领域的主要挑战之一，因为该过程需要耗费大量人力，并且容易出现观察者内差异和观察者间差异。
 
好消息是机器学习算法的Z新发展使得显微图像分析比以往任何时候都更容易，Z终为科研中的显微镜图像处理开辟了一条快速的无偏性途径。
 
为什么在显微图像分析中运用机器学习技术？
在显微成像中，一幅图像抵得上千言万语，但前提是我们能够从中提取有意义的数据。手动分析显微图像可能是一个漫长而枯燥的过程，而且容易出现人为误差和偏差。
 
使用机器学习算法进行自动图像分析时，会通过专用软件从数码显微镜图像中提取特定数据。机器学习算法可以经过训练来识别图像中的特定对象、模式和形状，收集定量信息，从而优化并加快图像分析。
 
运用人工智能(AI)技术分析显微图像具有许多重要优势，包括：
 
1.节省大量时间
使用机器学习算法，研究人员可以快速分析大量的图像集，从中提取有意义的信息，所需时间只是手动图像分析所需时间的一小部分。
 
2.简化工作流程
自动图像分析可简化工作流程，因为您只需提供要分析对象的示例，而不必提供用来定义这些对象的具体参数（如强度阈值、尺寸范围等）。
 
3.提供可靠的无偏性结果
手动图像分析容易出现人为误差，而人工智能辅助分析则可确保提供高精确度的无偏性结果。
 
自动图像分析法的工作原理是什么？
那么，机器学习究竟是什么？自动图像分析法的工作原理是什么？
 
机器学习是人工智能(AI)的一个分支，目的是创建能够自动学习并提高准确度的算法。总的来说，在显微图像分析中使用机器学习时，首先要用数据对专门的软件进行训练，使其做出准确的预测。在此过程中，系统首先学习从数据中提取相关特征。然后利用这些信息自行对新数据做出判断。
 
在实践中，这意味着您可以训练软件如何为您分割图像，使它学会自行正确识别相关的图像片段，并提供您所需要的输出。
 
一旦经过训练，算法就能够准确地重现与人类用户相同的输出，并且将相同的分割模式应用于其他图像。
 
要使用机器学习算法自动分析图像，您只需执行以下三步：
 
1.训练算法
通过提供示例（例如标记背景与有用的结构）来训练软件如何分割您的图像。
 
2.预览
为确保对机器学习模型进行Z佳训练，您可以预览结果并在必要时提供更多示例或修改输入。
 
3.加载您的图像并获得您需要的结果
现在，您可以使用模型对图像进行自动分析，获得期望的结果。
 
视频：使用Pixel Classifier增强/分离 3 个细胞区域（细胞核、细胞质和细胞膜）与1个荧光染色。显示分析工作流程：使用绘图工具标注，通过预览验证，训练并应用于整个数据集
 
例如，机器学习算法可用于以下类型的分析：
 
量化蛋白质水平和分布
细胞分析
细胞分裂分析
基因表达分析
数码显微图像由成千上万个像素组成，图像中的每个像素都有一个特定的值。机器学习算法使用像素信息来计算图像中显示的各个对象的尺寸、形状和模式。
 
像素分类算法根据像素特征、周围邻近像素的特征以及用户的标注来为像素分配标记。与手动设置图像阈值和掩模相比，对 像素分类器 进行训练有助于在分析中包含更复杂的分类和信息。重要的是，像素分类可用于进行自动图像分割，此过程将数码图像分离成几个具有相似特性的区域。
 
图像分割的一个例子是设置阈值，将不同对象或其他相关信息分离开。在自动图像分割中，用户可以训练像素分类器分配标记，使软件可以自动分割大型的数码图像数据集。
 
训练机器学习算法进行自动分割只需几个简单的步骤：
 
提供感兴趣对象的示例
标记像素并识别您感兴趣的区域(ROI)
自动分析整个数据集
一旦模型得到训练和优化，就可以提供快速而可靠的结果，而且算法可以不受限制地使用，并在同事和团队之间共享，便于进一步微调和训练。
 
图像分析中采用传统方法与机器学习技术的比较
手动分析与人工智能辅助分析之间存在许多重要的关键差异，下表总结了这些差异。
 
传统方法 机器学习
用户需要定义用于量化图像对象的规则（即指定阈值、尺寸范围等） 用户使用感兴趣结构的示例来训练软件对像素进行分类。
无法训练。 可以训练算法自行识别特定对象、模式和形状。
根据具体的测量值来探测感兴趣的结构。 根据测量值之外的内在特性来探测感兴趣的结构。
与机器学习算法相比，手动图像分析容易出现人为误差——在观察样本的显微镜图像数小时后，研究人员容易发生决策疲劳和偏差。此外，基于阈值的手动图像分析在精确度上高度依赖于图像之间的图像强度一致性以及充分的图像对比度，但是在采集显微镜图像时，这两点有时可能难以实现。
 
使用像素分类和自动分割等机器学习算法，您可以消除人为误差和结果解释不正确的风险。此外，使用自动图像分析法来识别感兴趣结构可使这一过程显著加速、更高效。
 
自动图像分析法是否适用于我的图像类型？
像素分类器等机器学习工具具有很高的通用性，可用于各种样本和各种显微镜采集的图像类型。  例如 ， 机器学习技术已成功地用于分析 活细胞/死细胞实验和囊泡 观察 实验 。
 
此外，自动图像分析法可用于处理复杂的图像对象，因为可以将模型训练成根据据内在特性来探测对象。
 
机器学习算法甚至能够分析由不同显微镜采集的同一样本的合并图像，从而提供更深入的认识，还能适应不断变化的实验和成像条件。
 
我可以信赖人工智能驱动的分析技术来处理显微图像吗？
在您训练模型并优化设置后，自动图像分析法就能提供稳定可靠的结果。作为用户，您始终控制着训练过程，并且可以随时预览您的设置，确保您的监督式训练按正确方向进行。
 
与人类用户不同，机器学习算法不易分心和疲劳，并且能够持续产生可重复性高且可靠的结果。事实上，在图像分类准确性、敏感性和特异性方面，使用机器学习算法进行的自动图像分析法甚至已被证明显著优于领域专家[3]。
 
结论
人工智能辅助图像分析是一种易于使用、可训练且可靠的工具，可为您节省时间，提供即时而可靠的结果。
 
此外，这种创新技术还易于使用，有助于研究人员快速、可靠地处理复杂的大型数据集。您只需为软件提供训练数据，即可获得期望的结果，而且所需时间只是手动分析所需时间的一小部分。
 
您还可以与他人共享您训练的算法，进行进一步的训练和改进，从而简化分析。
 
机器学习正在彻底改变研究人员收集和分析显微成像数据的方式。立即尝试机器分析技术，超越您之前认为可以实现的图像分析目标！

了解更多：https://www.leica-microsystems.com.cn/cn/?nlc=20201230-SFDC-011237