Компьютерное зрение в микроскопии — различия между версиями

Материал из Викиконспекты
Перейти к: навигация, поиск
(Сегментация изображений)
(Сегментация изображений)
Строка 15: Строка 15:
 
Задача сегментации состоит в том, чтобы аннотировать изображения, то есть отмечать границы объектов (клеток, ядер). Для этой задачи обычно используется модифицированная полносвязная сверточная сеть U-Net.  
 
Задача сегментации состоит в том, чтобы аннотировать изображения, то есть отмечать границы объектов (клеток, ядер). Для этой задачи обычно используется модифицированная полносвязная сверточная сеть U-Net.  
 
[[Файл:U-net-architecture.png|center|700px|thumb|Архитектура сверточной нейронной сети U-Net из [https://lmb.informatik.uni-freiburg.de/people/ronneber/u-net/ статьи.]]]
 
[[Файл:U-net-architecture.png|center|700px|thumb|Архитектура сверточной нейронной сети U-Net из [https://lmb.informatik.uni-freiburg.de/people/ronneber/u-net/ статьи.]]]
Сеть U-Net способна последовательно распознавать как большие, так и мелкие частицы, а также устойчива к различным условиям визуализации и наборам данных, что дало ей широкое распространение.
+
Сеть U-Net способна последовательно распознавать как большие, так и мелкие частицы, а также устойчива к различным условиям визуализации и наборам данных, что и дало ей получить широкое распространение.
 
=== Клеточная сегментация ===
 
=== Клеточная сегментация ===
 
=== Сегментация ядер клеток ===
 
=== Сегментация ядер клеток ===

Версия 18:30, 4 января 2021

Компьютерное зрение помогает автоматизировать обработку изображений, полученных с помощью микроскопии. С появлением сверточных нейронных сетей стало возможным эффективно и с хорошей точностью классифицировать клетки, отслеживать внутриклеточные и межклеточные процессы, сегментировать полученные изображения, улучшать их качество и решать другие задачи без непосредственного участия человека.

Задачи компьютерного зрения в микроскопии

Классификация клеток

Классификация клеток является базовой задачей биомедицины. Многообразие признаков, по которым можно делить клетки, велико, но для некоторых уже существуют готовые архитектуры сверточных нейросетей.

Определение фазы клеточного цикла

Для определения фазы клеточного цикла, в которой находится клетка, используется сверточная нейросеть, которая обучается с помощью категориальных меток. На основе изученных признаков сеть дает на выходе классификацию каждой клетки, а также визуализирует процесс клеточного цикла.

Архитектура сверточной нейронной сети для определения фазы клетки из статьи.

Особенностью работы данной сверточной нейросети является необходимость разметить только небольшую часть данных, на основании чего она далее учится размечать самостоятельно.

Идентификация раковых клеток

Для классификации раковых клеток используется сверточная нейронная сеть с архитектурой VGG-16, а также трансферное обучение, то есть модель предварительно обучается на другом огромном объеме данных.

Архитектура сверточной нейронной сети для классификации раковых клеток из статьи.

Такая сверточная сеть лучше справляется с задачей классификации клеток по сравнению с экспертом-человеком, особенно на изображениях с недостаточно хорошим качеством.

Сегментация изображений

Задача сегментации состоит в том, чтобы аннотировать изображения, то есть отмечать границы объектов (клеток, ядер). Для этой задачи обычно используется модифицированная полносвязная сверточная сеть U-Net.

Архитектура сверточной нейронной сети U-Net из статьи.

Сеть U-Net способна последовательно распознавать как большие, так и мелкие частицы, а также устойчива к различным условиям визуализации и наборам данных, что и дало ей получить широкое распространение.

Клеточная сегментация

Сегментация ядер клеток

Отслеживание объектов и процессов

Улучшение качества

Подсчет клеток

См. также

  1. Компьютерное зрение
  2. Задача нахождения объектов на изображении

Примечания

Источники информации