A carregar...
Publicação
Segmentação Não Supervisionada em Microscopia de Bactérias
| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 7.51 MB | Adobe PDF |
Autores
Orientador(es)
Resumo(s)
A segmentação de imagens de microscopia de bactérias é extremamente importante para
a obtenção de estatísticas de populações de bactérias. Apesar dos resultados razoáveis
apresentados pelas típicas técnicas de visão computacional, estas apresentam algumas
limitações, principalmente no que toca a grupos de bactérias juntas. Nestes casos, os algo-
ritmos utilizados cometem erros ao segmentar duas ou mais bactérias desses grupos como
sendo uma só. A aprendizagem supervisionada profunda tem a capacidade de melhorar
esses resultados. Contudo, requer uma grande quantidade de imagens manualmente se-
lecionados para serem utilizadas durante o processo de treino dos modelos. No caso de
imagens de microscopia de bactérias esse processo de seleção requer a anotação manual
de cada bactéria presente em cada imagem, o que demora bastante tempo. Desta forma,
encontrar uma solução para a segmentação não supervisionada de imagens de microsco-
pia de bactérias iria não só resolver o problema da necessidade de dados rotulados, mas
também o problema de grupos de bactérias juntas.
A arquitetura W-Net funciona como um autoencoder e utiliza camadas totalmente
convolucionais para aprender a criar uma representação da imagem de input ao mesmo
tempo que produz uma máscara de segmentação da mesma. Durante esse processo é
realizada a minimização da função de perda de reconstrução do autoencoder e da função
de perda do corte normalizado suave da camada de codificação. Após este processo, são
aplicados dois passos de pós-processamento de forma a obter a segmentação final da
imagem fornecida. Esta arquitetura será adaptada de forma a acomodar uma variação no
número de filtros, no número de camadas utilizadas e nos passos de pós-processamento.
A solução apresentada tem como objetivo otimizar a rede W-Net e testar se é possível
utilizar essa rede para segmentação de imagens de microscopia de bactérias de forma
a resolver ambos os problemas mencionados anteriormente: os erros ocorridos durante
o processo de segmentação de grupos de bactérias juntas e a necessidade de grandes
quantidades de dados manualmente rotulados.
Segmentation of bacterial microscopy images is extremely important for obtaining statis- tics of bacterial populations. Despite de reasonable results presented by typical computer vision techniques, it presents some limitations, especially regarding groups of bacteria together. In such cases, the algorithms used make mistakes when targeting two or more bacteria from these groups as being just one. Deep supervised learning has the ability to improve these results. However, it requires many images manually selected to be used during the training process of the models. In the case of bacterial microscopy images, this selection process requires the manual annotation of each bacterium present in each image, which takes a long time. In this way, finding a solution for unsupervised segmentation of bacterial microscopy images would not only solve the problem of the need for labeled data, but also the problem of groups of bacteria together. The W-net architecture works as an autoencoder and uses fully convolutional layers to learn how to create a representation of the input image while producing a segmentation mask for it. During this process, the reconstruction error of the autoencoder and the soft normalized cut loss of the encoder network are both minimized. After this process, two postprocessing steps are applied in order to obtain the final segmentation of the image provided. This architecture will be adapted to accommodate a variation in the number of filters, the number of layers used and in the postprocessing steps. The presented solution aims to optimize the W-Net network and test whether it is possible to use this network for segmentation of bacteria microscopy image in order to solve both problems mention above: the error that occurred during the segmentation process of groups of bacteria together and the need for large amounts of manually labeled data.
Segmentation of bacterial microscopy images is extremely important for obtaining statis- tics of bacterial populations. Despite de reasonable results presented by typical computer vision techniques, it presents some limitations, especially regarding groups of bacteria together. In such cases, the algorithms used make mistakes when targeting two or more bacteria from these groups as being just one. Deep supervised learning has the ability to improve these results. However, it requires many images manually selected to be used during the training process of the models. In the case of bacterial microscopy images, this selection process requires the manual annotation of each bacterium present in each image, which takes a long time. In this way, finding a solution for unsupervised segmentation of bacterial microscopy images would not only solve the problem of the need for labeled data, but also the problem of groups of bacteria together. The W-net architecture works as an autoencoder and uses fully convolutional layers to learn how to create a representation of the input image while producing a segmentation mask for it. During this process, the reconstruction error of the autoencoder and the soft normalized cut loss of the encoder network are both minimized. After this process, two postprocessing steps are applied in order to obtain the final segmentation of the image provided. This architecture will be adapted to accommodate a variation in the number of filters, the number of layers used and in the postprocessing steps. The presented solution aims to optimize the W-Net network and test whether it is possible to use this network for segmentation of bacteria microscopy image in order to solve both problems mention above: the error that occurred during the segmentation process of groups of bacteria together and the need for large amounts of manually labeled data.
Descrição
Palavras-chave
Segmentação Não Supervisionada W-Net Imagens de Microscopia de Bactérias Redes Neurais Convolucionais Autoencoder Convolucional