[논문 리뷰] Roadmap on Deep Learning for Microscopy

Giovanni Volpe, Carolina Wählby외 73명|arXiv (Cornell University)|2023. 03. 07.

Cell Image Analysis Techniques인용 수 9

한 줄 요약

딥러닝과 머신러닝이 현미경 이미지 데이터에 어떻게 적용되는지에 대한 집합적 로드맵으로, 이미지 향상, 검출, 분할, 분류, 추적, 다중 모달 정보 통합을 다루며, 가능성과 한계를 함께 제시한다.

ABSTRACT

Through digital imaging, microscopy has evolved from primarily being a means for visual observation of life at the micro- and nano-scale, to a quantitative tool with ever-increasing resolution and throughput. Artificial intelligence, deep neural networks, and machine learning are all niche terms describing computational methods that have gained a pivotal role in microscopy-based research over the past decade. This Roadmap is written collectively by prominent researchers and encompasses selected aspects of how machine learning is applied to microscopy image data, with the aim of gaining scientific knowledge by improved image quality, automated detection, segmentation, classification and tracking of objects, and efficient merging of information from multiple imaging modalities. We aim to give the reader an overview of the key developments and an understanding of possibilities and limitations of machine learning for microscopy. It will be of interest to a wide cross-disciplinary audience in the physical sciences and life sciences.

연구 동기 및 목표

• 현미경 이미지 데이터에 머신러닝이 어떻게 적용되는지에 대한 포괄적 개요를 제공한다.
• 현미경용 딥러닝의 핵심 발전, 방법, 한계를 강조한다.
• 물리학 및 생명과학의 교차 학제 독자들이 실용적 가능성과 제약을 이해하도록 방향을 제시한다.

제안 방법

• 현미경 이미지 분석에 사용되는 주목받는 딥러닝 접근법에 대한 조사와 합성.
• 이미지 품질 개선, 자동 검출, 분할, 분류, 추적, 그리고 다중 모드 데이터 융합과 같은 작업에 대한 논의.
• 현미경 응용을 위한 역량과 한계의 맥락화.
• DL/ML이 어디에 기여할 수 있고 어떤 도전과제가 남아 있는지에 대해 연구자들에게 정보를 제공하기 위한 합성.

실험 결과

연구 질문

• RQ1 머신러닝이 현미경 이미지 데이터에 적용되는 주요 방법은 무엇인가(품질 개선, 검출, 분할, 분류, 추적 및 다중 모달 융합)?
• RQ2 현미경에서의 딥러닝이 가능하게 하는 가능성은 무엇이며, 한계나 장벽은 무엇인가?
• RQ3 물리학 및 생명과학의 연구자들이 다학제적 맥락에서 현미경용 DL/ML을 어떻게 활용할 수 있는가?

주요 결과

• 지난 10년간 딥러닝과 AI가 현미경 연구에서 결정적인 역할을 차지하게 되었다.
• DL/ML은 현미경 데이터에서 이미지 품질 향상, 자동 검출, 분할, 분류 및 물체 추적을 가능하게 한다.
• 다중 모달 데이터 융합 및 영상 모달리티 간 정보 병합이 중요한 역량으로 강조된다.
• 로드맵은 기회와 한계를 모두 강조하여 교차학제 독자들을 실용적 응용과 주의사항으로 이끈다.