使用基于图形的神经网络,对大型显微镜图像进行记忆效率高的语义细分.
Atishay Jain1, David H Laidlaw1, Peter Bajcsy2
1Department of Computer Science, Brown University, 115 Waterman Street, Providence, Rhode Island 02906, USA.
Microscopy (Oxford, England)
|October 21, 2023
概括
图形神经网络 (GNN) 为细分大型显微镜图像提供了一个内存高效的解决方案. 与卷积神经网络 (CNN) 相比,这种方法显著减少了计算资源需求,对准确度的影响最小.
科学领域:
- 计算生物学 计算生物学
- 图像分析 图像分析
- 机器学习 机器学习
背景情况:
- 像CNN这样的深度学习模型是图像细分的标准,但由于内存限制,它们在处理大型数据集方面遇到了困难.
- 对大规模显微镜图像的自动细分对于生物研究至关重要.
研究的目的:
- 为大规模显微镜图像分割引入基于图形神经网络 (GNN) 的框架.
- 在准确性,训练时间和内存使用方面评估GNN与CNN的性能.
主要方法:
- 使用超像素将图像转换为图形,从而使大图像在有限的内存下进行处理.
- 开发了一个GNN框架来对这些图形表示进行细分.
- 性能与使用细胞显微镜图像的传统基于CNN的方法进行了基准测试.
主要成果:
- 基于GNN的细分利用的计算资源比CNN少1到3个数量级.
- 精度变化很小,从-2%到+0.3%不等.
- 通过优化超像素生成,可以提高GNN框架的准确性.
结论:
- GNN为大规模显微镜图像细分提供了计算效率高的替代方案.
- 与CNN相比,该框架在计算成本和准确性之间提供了有利的权衡.
- 这种GNN方法非常适合用于内存有限的生物图像分析任务.
