机器学习（ML）是研究人员在各个领域分析显微镜图像的强大工具。ML为图像分析工作流程提供了许多好处，从简单的分割到复杂对象的检测。最终，ML驱动的图像分析工具使科学家能够专注于洞察力。
为什么在图像分析中使用机器学习？
虽然ML有多个好处，但以下是前3个好处：
工作流程更容易，因为用户只需提供感兴趣的对象的示例，而不是定义对象的规则（大小范围，强度阈值等）
模型可以检测复杂的对象，因为它包含超出常见测量的特征
ML算法可以通过添加更多示例来适应实验/成像条件的变化
我可以通过ML在图像分析中实现什么？
显微镜图像分析中的ML工具的结果可以分为两个广泛的类别：图像增强和对象分割。
图像增强工作流程通常创建一个置信度图，增强或分离您感兴趣的对象与背景。置信度图类似于高信噪比荧光图像，其中像素强度与ML算法的置信度相关，表示这是您感兴趣的对象。高强度值与高置信度相关。
以下是您可以通过ML实现的一些增强类型的示例：
ML还用于分割难以分析的对象，例如相位对比图像中的细胞或形状不规则的细胞。一旦检测到，您可以获得体积，平均强度和许多其他测量结果。以下是一些示例：
如何创建有效的ML驱动像素分类器？
Aivia受欢迎的功能之一，像素分类器，由包含上述好处和功能的机器学习算法提供支持。在创建有效的像素分类器时，有许多要考虑的事情，以下是要记住的前3件事：
提供对象的多样性示例-小而大，明亮和暗淡，圆形和奇形怪状的对象-您捕捉的变化越多，算法就越能理解您的对象
预览，预览，预览-很难预测您的示例将如何改变模型，因此经常预览以确保培训朝着正确的方向进行
保存您的像素训练文件-这将使您能够在项目/成像设置发生变化时调整模型
