Merujuk referensi: Cell Detection with Star-convex Polygons dengan isi abstract nya yaitu Deteksi dan segmentasi otomatis sel dan inti sel dalam gambar mikroskopi sangat penting untuk banyak aplikasi biologis. Pendekatan berbasis pembelajaran yang berhasil baru-baru ini termasuk segmentasi sel per-piksel dengan pengelompokan piksel berikutnya, atau lokalisasi kotak pembatas dengan penyempurnaan bentuk berikutnya. Dalam situasi sel yang berkerumun, pendekatan ini dapat rentan terhadap kesalahan segmentasi, seperti penggabungan sel yang berbatasan secara salah atau menekan instance sel yang valid karena pendekatan bentuk yang buruk dengan kotak pembatas. Untuk mengatasi masalah ini, kami mengusulkan untuk melokalisasi inti sel melalui poligon bintang-cembung, yang merupakan representasi bentuk yang jauh lebih baik dibandingkan dengan kotak pembatas dan oleh karena itu tidak memerlukan penyempurnaan bentuk. Untuk itu, kami melatih jaringan saraf konvolusional yang memprediksi poligon untuk setiap piksel untuk instance sel pada posisi tersebut. Kami mendemonstrasikan manfaat pendekatan kami pada dua dataset sintetis dan satu dataset menantang dari gambar mikroskopi fluoresensi yang beragam.
Pada paper diatas menggunakan algoritma Star Convex Polygons yaitu https://stardist.net dikenal dengan stardist.
https://stardist.net/assets/overview.png
Saya coba menggunakan algoritma yang sudah ada yaitu Mask RCNN dari https://pytorch.org/vision/main/models/mask_rcnn.html dengan spesifikasi PC (VPS) sebagai berikut
./+o+- root@upbeat-turing.xxx-xx-xxxx.plesk.page
yyyyy- -yyyyyy+ OS: Ubuntu 22.04 jammy
://+//////-yyyyyyo Kernel: x86_64 Linux 5.15.0-46-generic
.++ .:/++++++/-.+sss/` Uptime: 14d 6h 6m
.:++o: /++++++++/:--:/- Packages: 1292
o:+o+:++.`..```.-/oo+++++/ Shell: dash
.:+o:+o/. `+sssoo+/ Disk: 55G / 158G (37%)
.++/+:+oo+o:` /sssooo. CPU: Intel Xeon E5-2680 v3 @ 4x 2.5GHz
/+++//+:`oo+o /::--:. GPU: Cirrus Logic GD 5446
\+/+o+++`o++o ++////. RAM: 7499MiB / 7949MiB
.++.o+++oo+:` /dddhhh.
.+.o+oo:. `oddhhhh+
\+.++o+o``-````.:ohdhhhhh+
`:o+++ `ohhhhhhhhyo++os:
.o:`.syhhhhhhh/.oo++o`
/osyyyyyyo++ooo+++/
````` +oo+++o\:
`oo++.
menghabiskan waktu hampir 5 x 24 jam dengan grafik epoch sebagai berikut
Plot Loss segmentasi otomatis sel dan inti sel dalam gambar mikroskopi
Berikut hasil dari Deteksi dan segmentasi otomatis sel dan inti sel dalam gambar mikroskopi menggunakan Mask RCNN – maskrcnn_resnet50_fpn_v2 dengan pengaturan Cara Menentukan argument Input pada model detection mask RCNN
segmentasi otomatis sel dan inti sel dalam gambar mikroskopi
segmentasi otomatis sel dan inti sel dalam gambar mikroskopi
segmentasi otomatis sel dan inti sel dalam gambar mikroskopi
segmentasi otomatis sel dan inti sel dalam gambar mikroskopi pada hasil diatas cukup memuaskan, nanti akan saya coba lagi dengan model Model Detectron2 di Pytorch
Bila kalian ingin mencoba Stardist, bisa mengikuti langkah berikut
Saran saya menggunakan petunjuk no 2, berikut proses training stardist di pytorch
