FenixEdu™

Dissertação

"Unsupervised Segmentation of Fluorescent Microscopy Images Using CycleGAN" EVALUATED

Detalhes: Recentemente, têm sido propostos métodos de aprendizagem profunda para a segmentação de imagens microscópicas com o objetivo de se obter informações essenciais utilizadas, por exemplo, no diagnóstico de doenças. Neste trabalho, aborda-se a segmentação de núcleos e Golgi das células em imagens microscópicas tridimensionais (3D) fluorescentes como um problema de tradução não emparelhada de imagens. Para a realização desta tarefa, propôs-se a utilização do modelo CycleGAN visto que pode ser treinado de forma end-to-end não-supervisionada. Com este modelo é possível reduzir significativamente o tempo de treino e de teste uma vez que não requer a utilização de máscaras de segmentação manualmente anotadas para o seu treino, em vez disso é treinado com máscaras sintetizadas. Adicionalmente, a detecção dos pares núcleo-Golgi é importante para o estudo da formação dos vasos sanguíneos, logo, o modelo proposto é estendido de modo a classificar uma terceira classe, os pares núcleo-Golgi. Os resultados experimentais obtidos com o modelo CycleGAN proposto são comparados com os obtidos com outros dois modelos de segmentação supervisionados, U-Net 3D e Vox2Vox. Com o modelo CycleGAN obteve-se os seguintes resultados: coeficiente Dice de 76.64% para a classe do núcleo, 64.27% para a classe do Golgi e 69.99% para a classe de pares núcleo-Golgi, com uma diferença de apenas 1.11%, 5.11% e 6.02%, respectivamente, dos melhores resultados obtidos com o modelo supervisionado U-Net. Adicionalmente, o tempo necessário para treinar e testar o modelo U-Net é, aproximadamente, 5.78 vezes mais longo do que o tempo necessário para treinar e testar o modelo CycleGAN.
Keywords: Segmentação de Núcleos e Golgi, Aprendizagem não-supervisionada, Rede Generativa Adversária

Discussão: novembro 17, 2022, 11:30