یادگیری عمیق یک مزیت برای بیوفوتونیک؟

چکیده

این مرور شامل مقالات اصلی با استفاده از یادگیری عمیق در زمینه بیوفوتونیک است که در سالهای گذشته منتشر شده است. در این سالها یادگیری عمیق ، که زیرمجموعه ای از یادگیری ماشین است و بیشتر مبتنی بر هندسه های شبکه عصبی مصنوعی است ، برای تعدادی از وظایف بیوفوتونیک اعمال شده و به نمایشگرهای پیشرفته ای رسیده است. بنابراین ، یادگیری عمیق در زمینه بیوفوتونیک به سرعت در حال رشد است و در سالهای آینده برای دستیابی به سیستم های تصمیم گیری بیوفوتونیک در زمان واقعی و به طور کلی تجزیه و تحلیل داده های بیوفوتونیک از آن استفاده می شود. در این مشارکت ، ما در مورد امکانات یادگیری عمیق در زمینه biophotonic از جمله طبقه بندی تصویر ، تقسیم بندی ، ثبت ، رنگ آمیزی شبه و افزایش وضوح بحث می کنیم. علاوه بر این ، ما در مورد استفاده بالقوه از یادگیری عمیق برای داده های طیفی از جمله پردازش داده های طیفی و طبقه بندی طیفی بحث می کنیم. این بررسی را با پرداختن به کاربردها و چالش های بالقوه استفاده از یادگیری عمیق برای داده های بیوفوتونیک به پایان می رسانیم.

1. مقدمه

بیوفوتونیک یک رشته چند رشته ای است که به سرعت در حال رشد است و از تعامل نور با سیستم های بیولوژیکی استفاده می کند و این سیستم های بیولوژیکی را در سطح سلولی ، مولکولی و بافتی بررسی می کند. از دهه گذشته ، این فن آوری های بیوفوتونیک در سطح جهانی در شرکت های بیوتکنولوژی ، سازمان های بهداشتی ، تأمین کنندگان ابزار پزشکی و تولیدکنندگان دارویی تاسیس شده اند. به عنوان مثال ، درمان مبتنی بر لیزر امروزه بخش مهمی از علوم پزشکی است و برای درمان های هدایت نور در اندام های مختلف استفاده می شود. سایر فناوری های مبتنی بر نور مانند میکروسکوپ مولتی فوتون (MPM) ، توموگرافی انسجام نوری (OCT) ، طیف سنجی رامان ، طیف سنجی مادون قرمز (IR) ، تصویربرداری عکس آکوستیک (PAI) و میکروسکوپ تصویربرداری مادام العمر فلورسانس (FLIM) از دیگر ابزارهای مفید در پزشکی و پزشکی هستند. تحقیقات بیوفوتونیک 1 ، 2. به عنوان مثال ، تصویربرداری چند مدلی غیرخطی که شامل میکروسکوپ فلورسانس تحریک شده دو فوتونی (TPEF) ، نسل دوم هارمونیک (SHG) و پراکندگی رامان ضد استوک منسجم (CARS) است ، به طور گسترده ای در پوست ، فیزیولوژی ، عصب شناسی و جنین شناسی. به همین ترتیب ، فناوری هایی مانند OCT عمدتاً در چشم پزشکی و قلب استفاده می شوند ، در حالی که تکنیک های طیف سنجی کاربردهای مختلف بالینی و دارویی دارند.

امروزه ، فن آوری های بیوفوتونیک شاهد یک پیشرفت سریع در ابزار دقیق نوری هستند که سرعت تصویربرداری را افزایش می دهد ، عمق نفوذ را افزایش می دهد و وضوح تصاویر نوری را افزایش می دهد. این تحولات اندازه گیری اطلاعات مولکولی عاری از برچسب از نمونه ها مانند سلول ها یا بافت را امکان پذیر می کند. از آنجا که تمام فن آوری های بیوفوتونیک فاقد برچسب هستند ، داده های طیفی و تصویری بدون هدف هستند. این بدان معناست که تفسیر یک کنتراست خاص مرتبط با یک ساختار شیمیایی یا یک مولکول زیستی در داده های بیوفوتونیک دشوار است. بنابراین ، تفسیر داده های بیوفوتونیک باید با استفاده از تکنیک های تجزیه و تحلیل مناسب مانند آمار ، شیمی سنجی یا یادگیری ماشین ایجاد شود. علاوه بر این ، پیشرفت فنی این فن آوری های بیوفوتونیک باعث ایجاد مجموعه داده های بزرگی شده است که برای استفاده از داده های بیوفوتونیک نیاز به روش های تجزیه و تحلیل داده های بزرگ است. به طور کلی ، تفسیر و مدیریت داده های بیوفوتونیک دو چالش آشکار برای جامعه بیوتوتونیک است

2 یادگیری عمیق - یک نمای کلی

با افزایش پیچیدگی مجموعه های داده طیف سنجی و نیاز به دستیابی به سیستم های تصمیم گیری خوب ، الگوریتم های پیشرفته یادگیری ماشین مورد نیاز است. به طور خلاصه ، الگوریتم یادگیری ماشین الگوریتمی است که قادر به یادگیری از داده ها است. نوع خاصی از الگوریتم های یادگیری ماشین الگوریتم یادگیری عمیق است. یک الگوریتم یادگیری عمیق بر اساس چهار م majorلفه اصلی است که الگوریتم بهینه سازی ، یک تابع هزینه ، یک مجموعه داده و یک مدل یادگیری عمیق است. به زودی ، یک الگوریتم بهینه سازی یک روش تکراری برای مقایسه راه حل های مختلف برای یک مسئله است تا زمانی که یک راه حل بهینه بدست آید. تابع هزینه یک فرمول ریاضی است که برای ارزیابی عملکرد یک مدل یادگیری عمیق استفاده می شود. مجموعه داده یکی از مو لفه های اصلی برای آموزش مدلهای یادگیری عمیق است و می تواند به سه قسمت آموزش داده ، اعتبار سنجی و تست مجموعه داده تقسیم شود. از مجموعه داده های آموزشی برای آموزش مدل یادگیری عمیق ، از مجموعه داده های اعتبار سنجی برای تنظیم بیش از پارامترهای مدل یادگیری عمیق و از مجموعه داده های آزمون مستقل یا مجموعه نگهداری برای ارزیابی عملکرد مدل به روشی بی طرف استفاده می شود 4 ، 6 -8 آخرین مولفه لازم ، یک مدل یادگیری عمیق است که بسته به معماری های مختلف از مجموعه ای از لایه ها و ابر پارامترها ساخته شده است ، که در دوره بعدی بخش مورد بحث قرار می گیرند.

الگوریتم های یادگیری عمیق کاربردهای گسترده ای در تشخیص گفتار ، پردازش زبان طبیعی ، مراقبت های بهداشتی و غیره دارند. به ویژه در مراقبت های بهداشتی ، یادگیری عمیق اغلب در داده های رادیولوژی اعمال می شود. مشابه رادیولوژی بالینی ، شبکه های عصبی مصنوعی سنتی 9 از دهه 1990 بر روی داده های بیوفوتونیک اعمال می شد ، 11 مدل های یادگیری عمیق به ویژه شبکه های عصبی کانولوشن که اخیراً توسعه یافته اند ، به عملکرد پیشرفته در زمینه بیوفوتونیک رسیده اند. این بخش چند مدل یادگیری عمیق را که معمولاً برای تجزیه و تحلیل داده های طیفی استفاده می شود ، خلاصه می کند. هر بخش فرعی ، مختصری از معماری یادگیری عمیق خاص را همراه با تصویری از نحوه استفاده از این معماری های یادگیری عمیق برای داده ها و تصاویر طیفی ، ارائه می دهد.

2.1 شبکه عصبی پیشخوان

شبکه عصبی پیشخورده که معمولاً شبکه عصبی مصنوعی (ANN) یا پرسپترون چند لایه (MLP) نامیده می شود