2 статей
Обзор исследований методов преобразования мульти-омиксных данных в изображения для применения глубокого обучения в классификации заболеваний и поиске биомаркеров. Исследование охватывает работы 2013-2024 годов, показывая точность от 75% до 99% при использовании CNN-моделей. Несмотря на перспективы, сохраняются проблемы переобучения, ограниченной обобщаемости и интерпретируемости.
Статья представляет OMIO (Open Microscopy Image I/O) — новую легковесную библиотеку на языке Python, разработанную для решения критических проблем в рабочих процессах флуоресцентной и мультифотонной микроскопии. Основная проблема современных методов заключается в гетерогенности форматов файлов и несоответствии стандартов метаданных, что приводит к ошибкам в интерпретации осей и потере данных о размере вокселей. OMIO внедряет слой ввода-вывода, который принудительно приводит данные к каноническому представлению, совместимому со стандартом OME, разделяя низкоуровневый доступ к форматам и семантическую нормализацию. Библиотека использует существующие ридеры в качестве взаимозаменяемых бэкендов, но централизует управление осями (стандарт TZCYX) и метаданными в проверяемом слое политик. Архитектура поддерживает работу с большими объемами данных через Zarr-бэкенды и позволяет структурировать проекты по принципу BIDS. Итоговые стандартизированные выходы в формате OME-TIFF обеспечивают бесшовную интеграцию с инструментами количественного анализа, такими как Napari и ImageJ, гарантируя воспроизводимость научных исследований.
