作者布兰迪·杰斐逊，华盛顿大学圣路易斯分校
路易斯（号外乐团成员） 麦凯维工程学院的研究人员开发了一种计算方法，允许他们根据模型中的假设，不确定整个图像是否准确，而是确定图像上的任何给定点是否可能
这是应用WIF方法前后淀粉样纤维的图像
学分:卢实验室 一名房地产经纪人向一名潜在购房者发送了一张从街对面拍摄的模糊的房子照片
购房者可以把它和真实的东西相比较——看看图片，然后看看真实的房子——然后看到凸窗实际上是两个窗户关在一起，前面的花是塑料的，看起来像门的东西实际上是墙上的一个洞
如果你看到的不是房子的照片，而是非常小的东西——比如蛋白质——会怎么样？没有专门的设备是看不到它的，所以没有什么可以用来判断图像，没有所谓的“基本事实”
除了相信用于创建图像的成像设备和计算机模型是准确的之外，没什么可做的
然而，现在，来自华盛顿大学圣马克尔维工程学院马修·卢实验室的研究
路易斯开发了一种计算方法来确定一个科学家应该对他们在任何给定点的测量结果的准确性有多大的信心，给定用于产生它们的模型
这项研究发表于12月
11《自然通讯》
“从根本上说，这是一个法庭工具，可以告诉你某件事是对还是错，”普雷斯顿M
电气与系统工程绿色系
这不仅仅是一种获得清晰图像的方法
“这是验证科学图像中每个细节可信度的全新方法
“这不是为了提供更好的分辨率，”他补充了一种叫做瓦瑟斯坦诱导通量(WIF)的计算方法
“它在说，‘图像的这一部分可能是错误的或者放错了地方
" 科学家用来“观察”极小分子的过程——单分子定位显微镜(SMLM)——依赖于从被成像物体上捕捉大量信息
然后，这些信息由计算机模型进行解释，最终剥离掉大部分数据，重建出表面上准确的图像——生物结构的真实图像，如淀粉样蛋白或细胞膜
有一些方法已经在使用，以帮助确定一个图像，一般来说，是否是一个很好的图像
然而，这些方法不能确定图像中任何单个数据点准确的可能性有多大
最近刚毕业的赫萨姆·马齐迪是卢实验室的博士生，他研究了这个问题
“我们想看看是否有一种方法可以在没有基本事实的情况下解决这个问题，”他说
“如果我们能够使用建模和算法分析来量化我们的测量是否可靠，或者是否足够精确
" 研究人员没有基本事实——没有房子可以和房地产经纪人的照片相比——但他们不是空手而归
他们有大量通常被忽视的数据
马齐迪利用了成像设备收集的大量信息，这些信息通常会被当作噪音丢弃
研究人员可以将噪声的分布作为基本事实，因为它符合特定的物理定律
“他能够说，‘我知道图像的噪声是如何表现出来的，这是一个基本的物理定律，’”卢谈到马齐迪的见解时说
此图展示了WIF移除错位数据点的方式
去噪后，绿色的“叶子”从红色的果实中去除
学分:圣路易斯华盛顿大学
路易斯（号外乐团成员） “他回到了实际科学测量的嘈杂、不完善的领域，”卢说
由成像设备记录的所有数据点
“那里有人们扔掉并忽略的真实数据
" 考虑到最终的图像和创建它的模型，马齐迪没有忽略它，而是观察了模型对噪声的预测效果
分析如此多的数据点类似于一遍又一遍地运行成像设备，执行多次测试来校准它
“所有这些测量给了我们统计上的信心，”卢说
WIF允许他们不基于模型来确定整个图像是否可能，而是考虑图像，基于模型中的假设来确定图像上的任何给定点是否可能
最终，马齐迪开发了一种方法，它可以用很强的统计置信度来说，最终图像中的任何给定数据点应该或不应该在特定的点上
这就好像算法分析了房子的照片，并且——从未见过这个地方——它清理了图像，揭示了墙上的洞
最后，分析得出每个数据点一个数字，介于-1和1之间
越接近一个点，科学家就越有信心认为图像上的一个点实际上准确地代表了被成像的物体
这个过程也可以帮助科学家改进他们的模型
“如果你能量化表现，那么你也可以通过使用分数来改进你的模型，”马齐迪说
在无法获得基本事实的情况下，“它允许我们在真实的实验条件下而不是在模拟条件下评估性能
" WIF的潜在用途是深远的
卢说，下一步是用它来验证机器学习，有偏见的数据集可能会产生不准确的输出
在这种情况下，研究人员如何知道他们的数据有偏差？“使用这个模型，你将能够在没有基本事实的数据上进行测试，在这种情况下，你不知道神经网络是否是用类似于真实世界数据的数据训练的
“在你进行的每一种测量中都必须小心，”卢说
“有时我们只想按下红色的大按钮，看看我们得到了什么，但我们必须记住，当你按下那个按钮时，会发生很多事情
"
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
