編者按：儘管會使用硬件對焦系統，但用自動顯微鏡採集到的大型圖像數據集通常有些低質量、失焦的圖像。使用高精度的自動圖像分析來獲取一個高質量無偏差數據集十分重要。谷歌研究人員對針對這一需求開發了深度神經網絡，幫助科學家們採集高質量的圖像。以下是論智對原文的編譯。

許多科學圖像應用，尤其是顯微鏡，每天能產生好幾T的數據。這些應用程序能從最近的計算機視覺和深度學習中受益。當我們與生物學家共同研究機器人顯微應用方面的工作時，我們已經瞭解到，將可以把信號中的噪音清除的高質量圖片組合成一個數據集是一項艱鉅並且重要的任務。另外，我們還意識到，可能有很多科學家並不會寫代碼，但他們仍然喜歡在分析科學圖像時使用深度學習。我們可以解決其中的一個特殊問題，即處理失焦圖像。即使使用最先進的顯微鏡上的自動對焦系統，配置不當或硬件不兼容也可能導致圖像質量問題。用自動化的方式對焦點質量進行評級可以實現對圖像的檢測、故障排除和刪除。

從深度學習中得到保障

在Assessing Microscope Image Quality with Deep Learning一文中，我們訓練了一個深度神經網絡，對顯微鏡成像中的對焦質量進行評估，結果優於之前的方法。我們還將預訓練的TensorFlow模型與Fiji（ImageJ）和CellProfiler中的插件集成在一起，這是兩種先進的開源科學圖片分析工具，它們可以通過圖形用戶界面或調用腳本進行使用。

在發表的文章和開源代碼（TensorFlow、Fiji和CellProfiler）中描述了機器學習項目工作流程的基礎知識：組裝一個訓練數據集（我們將384張細胞焦點圖像進行離焦，避免需要手工標記的數據集），使用數據增強訓練模型，評估泛化（在我們的案例中，是通過額外的顯微鏡獲取看不見的細胞類型），同時部署預訓練的模型。此前用於識別圖像焦點質量的工具通常需要用戶手動檢查每個數據集的圖像，以確定在焦點上和離焦圖像之間的臨界點。我們預訓練好的模型不需要用戶設置參數，並且還可以更精準地評估聚焦質量。為了增強可解釋性，我們的模型評估了84×84像素塊的聚焦質量，即上圖中彩色的邊框。

無目標物體的圖像又怎麼辦？

我們遇到的一個有趣的挑戰是，很多圖片補丁經常是“空白”的，即沒有目標物體，這是一種不存在對焦質量概念的情況。我們沒有明確地標註這些“空白”補丁，然後讓模型去識別它們，而是對模型進行配置，以預測散焦水平的概率分佈，從而讓它學習表達這些空白補丁中的不確定性。

下一步做什麼？

基於深度學習的科學圖片分析方法將增強準確度、減少人工手動調參、還有可能帶來新的發現。很顯然，數據集和模型的可分享和有效性，以及工具的安裝都證明了這種工具的廣泛實施對各領域都非常重要。