顯微鏡影像的 CNNs：深度解析 AI 類神經網路在影像分析中的應用

如果你有關注人工智慧圖像分析(AI-Powered Image Analysis)的熱門話題，那麼「CNN」這個詞彙你大概已經聽過好幾百遍了，可能比網路上貓咪的照片還多。簡單來說，卷積神經網路(Convolutional Neural Network, CNN)就是一種特別的類神經網路(Neural Network)。它在傳統的「全連接層」(你可以把它想成是做最終決策的大腦決策中心) 前面，加了一個聰明又擅長處理圖像的前端(Front End)。這個前端(Front End)能讓模型(Model)在試圖辨識圖片內容之前，先一步將形狀(Shape)、紋理(Texture)和邊緣(Edge)這些細節給抽離出來。正是因為有了這個前端特徵提取器(Front-End Feature Extractor)和後端分類器(Back-End Classifier)的巧妙結合，讓 CNN 成為現代顯微鏡分析中不可或缺的工具，這也是它為什麼值得我們好好去了解的原因。

為何圖像對演算法來說是項挑戰？ Why Images Challenge Algorithms?

乍看之下，影像分割(Image Segmentation)可能看似簡單：識別圖片中的形狀並畫出邊界。但真實世界的顯微鏡圖像通常是單通道灰階(Single-Channel Gray Scale)，充滿了模糊的邊緣、重疊的細胞或纖細的纖維。單一的全局閾值(Single Global Threshold)無法應對這種混亂，因此基於規則的演算法(Rule-Based Algorithms)會因此失效。

如果你曾親身經歷過這些痛點，可以參考我們關於《圖像分析的種種困境》的文章，深入解析並探討它們發生的原因，以及說明現代 AI 工具如何提供幫助。CNNs 透過從帶有標籤的範例中學習，而非依賴固定規則，從而避開了這種僵化性。

每個 CNN 內部的兩階段流程 The Two-Stage Pipeline Inside Every CNN

特徵提取：速成課程

卷積層(Convolutional Layers)會將可學習的濾波器(Filter)（想像成 3x3 或 5x5 的模板）在圖像的小區塊上滑動。每個濾波器(Filter)一開始都是隨機數字，但在訓練過程中，它們會逐漸變成邊緣、角落或紋理的檢測器。由於相同的濾波器(Filter)會在圖像各處滑動，因此網路能共享權重，與將每個像素連接到每個神經元相比，這樣能大幅減少參數。

每個卷積層之後通常會接著激活函數(Activation Function)——通常是 ReLU（Rectified Linear Unit，修正線性單元）——會緊跟在每個卷積層後面。ReLU 的作用很簡單，它只會保留正數值，並將負數值歸零。這能為模型增加一點必要的非線性，這樣堆疊起來的層次才能夠模擬曲線、斑點，或是介於兩者之間的任何彎曲形狀。

池化層(Pooling Layers)（最大池化或平均池化）會縮小特徵圖。想像一下，它會保留每個 2x2 區塊中最亮的像素，這能減少記憶體使用量、加快運算速度，並賦予模型一定程度的平移容忍度(Translation Tolerance)——如果您的細胞核移動了幾個像素，池化後的訊號幾乎不會改變。

層層遞進，網路從「嘿，那是一條邊緣」進化到「那個群體看起來很像細胞核」。早期層檢測簡單的形狀；更深層的則能捕捉完整的細胞。

這為什麼重要？特徵提取(Feature Extraction)讓分類器(Classifier)不必再盯著 262,144 個原始像素值（對於 512x512 的圖像），而是將一組整齊的、可能只有幾千個高階描述符(High-Level Descriptor)交給它，這些描述符(Descriptor)會大聲宣告「這裡有細胞核，那裡是背景」。

分類 (Classification) - 全連接的最終章

當影像被精煉成整齊的向量(Vector)後，就輪到全連接層(Dense Layers)接手了。

• 扁平化(Flattening)：將堆疊的三維特徵圖(Feature Maps)展開成一維向量(Vector)，可以想像一下類似把睡袋攤開的這個過程。
• 全連接層(Dense Layers，又稱Fully Connected Layers)：將每個輸入值連接到每個神經元(Neuron)，每個連接都帶有可訓練的權重(Trainable Weight)和一個偏差值(Bias)。
• 激活與輸出(Activation & Output)：另一個 ReLU 激活函數會維持非線性流動(Non-Linearity Flowing)，然後將原始分數轉換為機率。

全連接層(Dense Layers)擅長將不同的線索——紋理(Texture)、形狀(Shape)、上下文(Context，或譯為前後關系)——融合成一個最終判斷(Verdict)。那代價是什麼呢？它們需要大量的參數，所以我們讓它們保持精簡，並將它們置於輕量且高效的特徵提取器(Feature Extractor)之後。

CNN 訓練基礎：逐步指南 CNN Training Basics: A Step-by-Step Guide

1. 標記 (Label)：由人類（也就是您）在範例圖像上繪製輪廓(Outlines)或遮罩(Mask)。
2. 前向傳播 (Forward Pass)：網路進行預測。
3. 損失函數 (Loss Function)：一個衡量錯誤的指標，會計算預測的錯誤程度，例如：交叉熵(Cross-Entropy)或骰子損失(Dice Loss)。
4. 反向傳播 (Back-Propagation)：梯度向後傳遞，微調權重以減少損失(Loss)。
5. 重複多個訓練週期 (Epochs)：每個循環都會優化濾波器(Filters)，邊緣變得更清晰，細胞核偵測器也逐漸成形，直到性能趨於穩定。

網路會研究少量、隨機打亂的批次圖像，這樣它就不會以固定的順序學習。一個學習率撥盤控制著它的步長，如果太大使它錯過答案，太小則會讓它進展緩慢。一個單獨的驗證集圖像（這些圖像在訓練過程中從未見過）會顯示模型是否真的在學習，還是只是在記憶。

它還會透過翻轉、旋轉或增亮圖像來擴充數據，這樣模型就能以新的姿勢遇到熟悉的物件。經過足夠的回合後，曾經隨機的連接會演變成分層模式偵測器( Layered Pattern Detectors)，專為您的圖像進行調整。

總結：聚焦核心 Final Thoughts; Bringing It All into Focus

卷積神經網路(Convolutional Neural Networks，CNNs)之所以能在顯微鏡影像分析中取得成功，原因與經驗豐富的顯微鏡專家相同，它們都是從尋找視覺的基本線索（邊緣、角落、紋理）開始，然後將這些線索組合成連貫的物件和類別。

得益於這種資料驅動的提取方式，您現在可以處理各種不同的任務，例如：測量纖維厚度、執行免標記細胞計數，或在穿透式電子顯微鏡（TEM）影像中分割細胞核和粒線體，所有這些都不需要手動調整閾值。這些模型能有效處理不均勻的光線、微弱的染色和雜亂的背景，並且隨著您提供更多具代表性的範例而持續改進。

簡而言之，CNNs 將混亂的真實世界圖像轉化為可靠、可重現的測量結果，讓您無需在每次條件變化時都重新編寫規則。