SpiralNet: kaveetapiline rekursiivne CNN mikroskoobi pildi segmenteerimiseks

Nimi
Marharyta Dekret
Kokkuvõte
Mikroskoopiliste piltide segmenteerimine nõuab suuremat täpsust kui tavaliste piltide segmenteerimine. Ülim täpsus on vajalik meditsiinilisteks kasutusjuhtumiteks. SpiralNet on disainitud kui uus segmenteerimismoodus, mis lubab segmenteerida keerukate kujundite mikroskoopilisi pilte kõrge detailitäpsusega, simuleerides inimese taju. Meetod on võimeline nii üksikobjekti segmenteerimiseks (instance segmentation) kui semantiliseks segmenteerimiseks (semantic segmentation). SpiralNet on kaheastmeline – esimene aste lõikab algse pildi väiksemateks regioonideks ning skooringuvõrguga filtreerib välja objektideta alad. Teine aste võtab iga piirkonna ja segmenteerib selle täielikult korduva segmenteerimisvõrguga. Hiljem prognoositud regioonid ühendatakse lõplikuks täielikuks ennustusmaskiks.
SpiralNet ületab U-Neti taset, saavutades 0.969 F1 skoori U-Neti 0.965 skoori vastu testitud alamkogumis, segmenteerides korrektsemalt individuaalsed objektikujundid ja näidates paremat eristamist seotud objektide vahel. Kuigi SpiralNet näitas nii üksikobjekti kui semantilises segmenteerimises kõrgeid tulemusi, on endiselt mitmeid viise, kuidas seda meetodit parandada. Näiteks oleks võimalik segmenteerida paralleelselt mitmeid regioone, lisada tähelepanu või muuta vahelejäänud moodulite arvu. Lisaks uuritakse tulevases töös SpiralNeti kasutusvõimalusi teiste andmekogumite peal.
Lõputöö keel
inglise
Lõputöö tüüp
Magister - Informaatika
Juhendaja(d)
Daniel Majoral
Kaitsmise aasta
2020
 
PDF