CellNet: un modelo ligero hacia una detección precisa de células de alta velocidad basada en la ubicación
Autores: Long, Xianlei; Ishii, Idaku; Gu, Qingyi
Idioma: Inglés
Editor: MDPI
Año: 2022
Acceso abierto
Artículo científico
2022
CellNet: un modelo ligero hacia una detección precisa de células de alta velocidad basada en la ubicación
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Eléctrica y Electrónica
Palabras clave
Separación celular
Sistema microfluídico
Diagnóstico de cáncer
Modelo de detección celular
Redes neuronales convolucionales
CellNet
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 30
Citaciones: Sin citaciones
La separación y clasificación de células sin etiquetas en un sistema microfluídico, una técnica esencial para el diagnóstico moderno del cáncer, ha dado lugar a que el análisis de células individuales a gran escala se convierta en una realidad. Sin embargo, el diseño de un modelo eficiente de detección de células es un desafío. Los métodos tradicionales de detección de células están sujetos a límites de oclusión y texturas débiles, lo que resulta en un rendimiento deficiente. Los modelos de detección modernos basados en redes neuronales convolucionales (CNN) han logrado resultados prometedores a costa de un gran número de parámetros y operaciones de punto flotante (FLOPs). En este trabajo, presentamos un modelo de detección de células ligero pero potente llamado CellNet, que incluye dos módulos eficientes, bloques CellConv y la función de no linealidad h-swish. CellConv se propone como un extractor de características efectivo como sustituto de capas convolucionales computacionalmente caras, mientras que la función h-swish se introduce para aumentar la no linealidad del modelo compacto. Para potenciar la capacidad de predicción y localización del modelo de detección, rediseñamos la función de pérdida multi-tarea del modelo. En comparación con otros métodos eficientes de detección de objetos, nuestro enfoque logró un promedio de precisión (mAP) del 98.70%, líder en el estado del arte, en nuestro conjunto de datos personalizado de embriones de erizo de mar con solo 0.08 M de parámetros y 0.10 B FLOPs, reduciendo el tamaño del modelo en 39.5 veces y el costo computacional en 4.6 veces. Implementamos CellNet en diferentes plataformas para verificar su eficiencia. La velocidad de inferencia en una unidad de procesamiento gráfico (GPU) fue de 500.0 fps en comparación con 87.7 fps en una CPU. Además, CellNet es 769.5 veces más pequeño y 420 fps más rápido que YOLOv3. Los extensos resultados experimentales demuestran que CellNet puede lograr un excelente equilibrio entre eficiencia y precisión en plataformas con recursos limitados.
Descripción
La separación y clasificación de células sin etiquetas en un sistema microfluídico, una técnica esencial para el diagnóstico moderno del cáncer, ha dado lugar a que el análisis de células individuales a gran escala se convierta en una realidad. Sin embargo, el diseño de un modelo eficiente de detección de células es un desafío. Los métodos tradicionales de detección de células están sujetos a límites de oclusión y texturas débiles, lo que resulta en un rendimiento deficiente. Los modelos de detección modernos basados en redes neuronales convolucionales (CNN) han logrado resultados prometedores a costa de un gran número de parámetros y operaciones de punto flotante (FLOPs). En este trabajo, presentamos un modelo de detección de células ligero pero potente llamado CellNet, que incluye dos módulos eficientes, bloques CellConv y la función de no linealidad h-swish. CellConv se propone como un extractor de características efectivo como sustituto de capas convolucionales computacionalmente caras, mientras que la función h-swish se introduce para aumentar la no linealidad del modelo compacto. Para potenciar la capacidad de predicción y localización del modelo de detección, rediseñamos la función de pérdida multi-tarea del modelo. En comparación con otros métodos eficientes de detección de objetos, nuestro enfoque logró un promedio de precisión (mAP) del 98.70%, líder en el estado del arte, en nuestro conjunto de datos personalizado de embriones de erizo de mar con solo 0.08 M de parámetros y 0.10 B FLOPs, reduciendo el tamaño del modelo en 39.5 veces y el costo computacional en 4.6 veces. Implementamos CellNet en diferentes plataformas para verificar su eficiencia. La velocidad de inferencia en una unidad de procesamiento gráfico (GPU) fue de 500.0 fps en comparación con 87.7 fps en una CPU. Además, CellNet es 769.5 veces más pequeño y 420 fps más rápido que YOLOv3. Los extensos resultados experimentales demuestran que CellNet puede lograr un excelente equilibrio entre eficiencia y precisión en plataformas con recursos limitados.