Un novedoso método de segmentación de células híbridas basado en la fusión de características a múltiples escalas y una red de atención dual
Autores: Lu, Jianfeng; Ren, Hangpeng; Shi, Mengtao; Cui, Chen; Zhang, Shanqing; Emam, Mahmoud; Li, Li
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Un novedoso método de segmentación de células híbridas basado en la fusión de características a múltiples escalas y una red de atención dual
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Eléctrica y Electrónica
Palabras clave
Célula híbrida
Método de segmentación
Mecanismo de atención
Conjunto de datos de imágenes
Aprendizaje profundo
Mapas de características
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 38
Citaciones: Sin citaciones
El método de segmentación de células híbridas usualmente se realiza manualmente por ojos humanos durante el proceso de producción de fármacos de anticuerpos monoclonales. Este método de segmentación tradicional tiene ciertas limitaciones, como baja eficiencia y sesgo de subjetividad. Además, la mayoría de los métodos de segmentación de imágenes basados en aprendizaje profundo existentes tienen ciertas desventajas, debido a las diferentes formas de las células híbridas y la distribución desigual de la ubicación. En este artículo, proponemos un método de segmentación de imágenes de células híbridas profundo basado en Residual y Attention U-Net (RA-UNet). Primero, se utilizan los mapas de características de los cinco módulos en el codificador de la red para una fusión de características multiescala en forma de pirámide de características y luego se unen al decodificador de la red para enriquecer el nivel semántico de los mapas de características en el decodificador. En segundo lugar, se presenta un módulo de mecanismo de atención dual basado en mecanismos de atención global y de canal. El mecanismo de atención global (red neuronal no local) está conectado al decodificador de la red para expandir el campo receptivo del mapa de características y aportar más información rica a la red. Luego, el mecanismo de atención de canal SENet (la red de squeeze-and-excitation) está conectado al mecanismo de atención no local. En consecuencia, las características importantes se mejoran mediante el aprendizaje de los pesos del canal de características, y las características secundarias se suprimen, mejorando así el rendimiento y la precisión de la segmentación celular. Finalmente, se utiliza la función de pérdida focal para guiar a la red a aprender las categorías de células difíciles de clasificar. Además, evaluamos el rendimiento del método RA-UNet propuesto en un conjunto de datos de imágenes de células híbridas recién establecido. Los resultados experimentales muestran que el método propuesto tiene buena fiabilidad y mejora la eficiencia de la segmentación de células híbridas en comparación con redes de vanguardia como FCN, UNet y UNet++. Los resultados muestran que el modelo RA-UNet propuesto tiene mejoras del 0,8937%, 0,9926%, 0,9512% y 0,9007% en términos de coeficientes de dice, PA, MPA y MIoU, respectivamente.
Descripción
El método de segmentación de células híbridas usualmente se realiza manualmente por ojos humanos durante el proceso de producción de fármacos de anticuerpos monoclonales. Este método de segmentación tradicional tiene ciertas limitaciones, como baja eficiencia y sesgo de subjetividad. Además, la mayoría de los métodos de segmentación de imágenes basados en aprendizaje profundo existentes tienen ciertas desventajas, debido a las diferentes formas de las células híbridas y la distribución desigual de la ubicación. En este artículo, proponemos un método de segmentación de imágenes de células híbridas profundo basado en Residual y Attention U-Net (RA-UNet). Primero, se utilizan los mapas de características de los cinco módulos en el codificador de la red para una fusión de características multiescala en forma de pirámide de características y luego se unen al decodificador de la red para enriquecer el nivel semántico de los mapas de características en el decodificador. En segundo lugar, se presenta un módulo de mecanismo de atención dual basado en mecanismos de atención global y de canal. El mecanismo de atención global (red neuronal no local) está conectado al decodificador de la red para expandir el campo receptivo del mapa de características y aportar más información rica a la red. Luego, el mecanismo de atención de canal SENet (la red de squeeze-and-excitation) está conectado al mecanismo de atención no local. En consecuencia, las características importantes se mejoran mediante el aprendizaje de los pesos del canal de características, y las características secundarias se suprimen, mejorando así el rendimiento y la precisión de la segmentación celular. Finalmente, se utiliza la función de pérdida focal para guiar a la red a aprender las categorías de células difíciles de clasificar. Además, evaluamos el rendimiento del método RA-UNet propuesto en un conjunto de datos de imágenes de células híbridas recién establecido. Los resultados experimentales muestran que el método propuesto tiene buena fiabilidad y mejora la eficiencia de la segmentación de células híbridas en comparación con redes de vanguardia como FCN, UNet y UNet++. Los resultados muestran que el modelo RA-UNet propuesto tiene mejoras del 0,8937%, 0,9926%, 0,9512% y 0,9007% en términos de coeficientes de dice, PA, MPA y MIoU, respectivamente.