Optimizations of Autoencoders for Analysis and Classification of Microscopic In Situ Hybridization Images

要約

タイトル：Optimizations of Autoencoders for Analysis and Classification of Microscopic In Situ Hybridization Images

要約：

– 現在、微小なIn Situ Hybridization画像の分析は専門家によって手動で行われています。
– この微小な画像の正確な評価と分類は専門家の作業を容易にし、データに関するさらなる洞察を明らかにすることができます。
– この研究では、深層学習フレームワークを提案し、遺伝子発現レベルの類似した領域を検出および分類することを目的としています。
– 解析するデータは教師なし学習モデルを必要とするため、Artificial Neural Networkの一種であるDeep Learning Autoencoderを使用します。
– モデルのパフォーマンスは、潜在層の長さと複雑さをバランスさせ、ハイパーパラメータを微調整することで最適化されます。
– 結果は平均二乗誤差（MSE）指標に適応させ、専門家の評価と比較して検証されます。

要約(オリジナル)

Currently, analysis of microscopic In Situ Hybridization images is done manually by experts. Precise evaluation and classification of such microscopic images can ease experts’ work and reveal further insights about the data. In this work, we propose a deep-learning framework to detect and classify areas of microscopic images with similar levels of gene expression. The data we analyze requires an unsupervised learning model for which we employ a type of Artificial Neural Network – Deep Learning Autoencoders. The model’s performance is optimized by balancing the latent layers’ length and complexity and fine-tuning hyperparameters. The results are validated by adapting the mean-squared error (MSE) metric, and comparison to expert’s evaluation.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI