Comparison of semi-supervised learning methods for High Content Screening quality control

要約

自動顕微鏡と定量画像解析の進歩により、ハイコンテントスクリーニング（HCS）は効率的な創薬・研究ツールとして普及が進んでいます。HCSは画像から複雑な細胞表現型を高スループットで定量化することができますが、ピンぼけ画像、蛍光体の飽和、ゴミ、高濃度のノイズ、予期せぬ自家蛍光や空画像などの画像収差がこのプロセスを阻害する可能性があります。この問題は文献上ではあまり注目されていないが、これらのアーティファクトを見落とすと、下流の画像処理作業に深刻な支障をきたし、微妙な表現型の検出を妨げてしまう。したがって、HCSで品質管理を使用することは最大の関心事であり、前提条件となります。本研究では、この問題に対する直接的で使いやすい半教師付き学習ソリューションを提供するために、広範な画像アノテーションを必要としない深層学習オプションを評価する。具体的には、高スループットのアーティファクト画像検出器にベースエンコーダを提供するために、最近の自己教師付き学習と伝達学習のアプローチの有効性を比較した。本研究の結果は、伝達学習法がこの課題において最も優れた性能を発揮するだけでなく、繊細なハイパーパラメータの設定や大規模な追加学習を必要としないという利点があるため、伝達学習法が好まれることを示唆している。

要約(オリジナル)

Progress in automated microscopy and quantitative image analysis has promoted high-content screening (HCS) as an efficient drug discovery and research tool. While HCS offers to quantify complex cellular phenotypes from images at high throughput, this process can be obstructed by image aberrations such as out-of-focus image blur, fluorophore saturation, debris, a high level of noise, unexpected auto-fluorescence or empty images. While this issue has received moderate attention in the literature, overlooking these artefacts can seriously hamper downstream image processing tasks and hinder detection of subtle phenotypes. It is therefore of primary concern, and a prerequisite, to use quality control in HCS. In this work, we evaluate deep learning options that do not require extensive image annotations to provide a straightforward and easy to use semi-supervised learning solution to this issue. Concretely, we compared the efficacy of recent self-supervised and transfer learning approaches to provide a base encoder to a high throughput artefact image detector. The results of this study suggest that transfer learning methods should be preferred for this task as they not only performed best here but present the advantage of not requiring sensitive hyperparameter settings nor extensive additional training.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL