Az Örnekli Öğrenme ile Mikroskobik Görüntülerden Maya Hücresi Segmentasyonu

Abstract

Mikroskobik görüntülerden otomatik hücre segmentasyonu, derin sinir ağları veya görüntü işleme teknikleri kullanılarak yapılabilmektedir. Bu tekniklerin ayrı ayrı problemleri ve zorlukları bulunmakla birlikte özellikle derin sinir ağlarını kullanarak iyi bir sonuç elde edebilmek için ağı iyi beslemek, görüntü örneklerini çok sayıda tutmak gerekmektedir. Fakat bu durum, mikroskobik görüntülerin toplanması ve etiketlenmesi bakımından sürdürülebilir değildir ve her yeni mikroskobik görüntü ve hücre türü için maliyetli ve zaman alıcı bir çözümdür. Bunun yerine meta-öğrenme algoritmaları kullanılarak eğitilecek olan modelin adaptasyon yeteneğinden yararlanılıp ince-ayar yaklaşımı kullanılabilir. Bu sayede daha az örnekle daha iyi ve genel sonuçlar elde edilebilirken eğitim süreci her yeni hücre türü veya veri kümesi için sıfırdan başlatılmamış olur. Bu makalede maya hücrelerinin mikroskop görüntüleri kaydedildi ve bu görüntüler üzerinde Reptile algoritması kullanılarak analizler gerçekleştirildi. Elde edilen sonuçlara göre, az sayıda örnek kullanılarak yapılan ince-ayar sonucunda %87’ ye varan model doğruluğuna ek olarak test resimleri üzerinde ortalama %81 IoU (Intersection over Union) başarı oranı elde edilmiştir.

Cell segmentation from microscopic images can be performed using deep neural networks or image processing techniques. In addition to their inherent difficulties, these techniques come together with the requirement of feeding the neural network with a large number of image samples in order to obtain a good result. However, this is not sustainable in terms of collecting and labeling microscopic images and represents a costly and timeconsuming solution for every new microscopic image and cell type. Instead, fine-tuning can be employed by taking advantage of the adaptation ability of a model trained using meta-learning algorithms. In this way, while more general and better results can be obtained with fewer samples, the training process does not start from scratch for each new cell type or data set. In this article, microscopic images of yeast cells were recorded and analyzed using Reptile algorithm. After fine-tuning with a small number of samples, an average success rate of 81% IoU (Intersection over Union) was obtained on the test pictures in addition to the model accuracy reaching up to 87%.