Изменения

Перейти к: навигация, поиск

Компьютерное зрение в микроскопии

555 байт добавлено, 17:33, 13 января 2021
Обнаружение и подсчет клеток на основе сверточных сетей
Во многих биологических экспериментах необходимо уметь детектировать клетки, за которыми ведется наблюдение, понимать сколько их, как они расположены относительно друг друга. Для решения этих задач в компьютерном зрении используется несколько разных подходов. Одни используют сверточные сети, чтобы предсказывать карту плотности, другие основаны на построении деревьев максимально устойчивых экстремальных областей. Вне зависимости от реализации, методы детекции клеток направлены на оценку количетсва клеток и учитывают перекрывания, неравномерность распредления клеток и другие факторы, специфичные для микроскопических изображений.
=== Обнаружение и подсчет Подсчет клеток на основе сверточных сетей ===
[[Файл:FCRN-A_and_FCRN_B.png|450px|thumb|right|Архитекутры сетей FCRN-A и FCRN-B для построения карт плотности]]
Методы, основанные К автоматическому подсчету клеток можно подойти с разных сторон. Первый подход основан на построении сверточных сетей, используются для регрессии карт детекции с предварительной сегментацией изображения. Процесс сегментации сам по себе сложен и существует более эффективный способ. В его основе лежит регрессия и оценка плотности без непосредственной детекции и сегментации. По карте плотности, по которым впоследствие можно с хорошей точностью оценить количество клеток. Рассмотрим, как она строится. Особенностью изображений микроскопии является то, что клетки в большинстве случаев имеют размер значительно меньший, чем размер изображения, то есть нет необходимости использовать сложные глубокие сети, которые способны выучить высоко семантическую информацию. Поэтому используются сети с архитектурой FCRN-A или FCRN-B. Различия в архитектурах состоят в размерах ядер и количестве слоев. Такие сети на выходе дают карту плотности клеток.
Такой подход позволяет проводить непрерывное обучение с изображениями произвольных размеров, что важно в том числе для покадровой съемке и изучением длительных процесоов. Он также обеспечивает интуитивное понимание представлений функций из FCRN, визуализируя, в какой степени информация была закодирована на разных уровнях.
462
правки

Навигация