来源标题：深度学习可识别显微照片中的细菌
美国华盛顿大学研究人员开发出一种深度学习软件Omnipose，其能帮助解决在显微镜图像中识别各种微小细菌的挑战。研究结果发表在17日的《自然·方法学》杂志上。
研究人员发现，在大型细菌图像数据库上训练的Omnipose在表征和量化混合微生物培养物中的无数细菌方面表现良好，并消除了其前身可能出现的一些错误。此外，由于不同细菌的光学特性存在差异，Omnipose在克服识别问题方面表现出色。
由于抗生素治疗或细菌间侵袭过程中产生的化学物质的拮抗作用，该软件不会轻易被细胞形状的极端变化所欺骗。事实上，该程序表明它甚至可在大肠杆菌试验中检测细胞中毒。
大多数细菌是球形或棒状，但有些具有其他基本形式，例如扭曲的螺旋形。Omnipose还可识别更精细的细菌，这些细菌具有细长的形状，其物理特征会使深度学习工具难以判断图像中存在哪些细菌。
在分析来自杂草拟南芥根的细胞时，Omnipose在这个3D样本中确实显示出一些优势。
为了探究它是否也可成为其他依赖显微镜的生物甚至非生命科学领域的多功能工具，研究人员在超小型蛔虫——秀丽隐杆线虫的显微照片上试用了该程序，秀丽隐杆线虫是遗传、神经科学、发育和微生物行为研究中的重要生物。像一些细菌一样，这种生物具有细长的形状，它也可像许多其他蠕虫一样扭曲自己。
结果表明，无论它的各种伸展、收缩和其他运动如何，Omnipose都可挑选出秀丽隐杆线虫。这种能力在延时跟踪秀丽隐杆线虫运动期间的神经研究中可能是有用的。
在设计像Omnipose这样的工具时，研究人员正在研究单像素精度的尺度来定义细胞的边界。这是因为大多数细菌细胞体图像仅由少量像素组成。研究人员解释说，在图像中定义边界称为分割。他们通过深度神经网络、高精度分割算法开发了Ominpose。实验表明Omnipose具有前所未有的分割精度。
研究人员称，Omnipose在各种细胞形态和模式上的高性能，可能会从以前无法访问的显微镜图像中解开信息，这或将改变生物图像分析的游戏规则。
基于神经网络的输出或流场，来自细长细菌细胞的显微镜图像，是Omnipose深度学习程序研究的一部分。