35、弱监督细胞分类与自监督学习中的视觉特征研究

弱监督细胞分类与自监督学习中的视觉特征研究

在生物医学和计算机视觉领域，细胞分类和自监督学习是两个重要的研究方向。本文将探讨弱监督细胞分类方法以及自监督学习中视觉特征对目标任务性能的影响。

弱监督细胞分类

在高内涵筛选（HCS）中，细胞分类是一项关键任务。然而，由于细胞状态的复杂性和标签的噪声问题，传统的监督学习方法面临挑战。为了解决这个问题，研究人员提出了一种弱监督的细胞分类方法，并与多种基线方法进行了比较。

图像采集条件

在进行细胞分类之前，需要对图像进行采集。以下是图像采集的条件：
|设置类型|具体设置|
| ---- | ---- |
|通用设置|自动对焦：双峰；物镜：20倍水浸，数值孔径1.0；模式：共聚焦；合并：2|
|通道设置|Hoechst 3334：激发波长355 - 385 nm，发射波长430 - 500 nm，时间60 ms，功率40%，高度 -6.0 µm；CellMask Deep Red Plasma Membrane：激发波长615 - 645 nm，发射波长655 - 760 nm，时间60 ms，功率20%，高度 -11.0 µm|

方法介绍

研究人员引入了一种名为SSMIL的位置感知方法，并将其与三种基线方法进行比较。其中，两种是监督方法，一种是自监督方法。
- 监督方法 ：
- 卷积神经网络（CNN） ：基于图像级标签对细胞活动进行分类，使用ResNet - 18作为骨干网络，输入为单个图像块和图像标签。
- 基