在Synchrotron设施中部署基于机器学习的细分来进行科学成像分析
Guanhua Hao1, Eric J Roberts2,3, Tanny Chavez1
1Advanced Light Source (ALS), Lawrence Berkeley National Laboratory; Berkeley, CA 94720.
IS&T International Symposium on Electronic Imaging
|December 22, 2023
概括
MLExchange是一个机器学习框架,加速科学图像分析. 该平台使用户能够训练和部署用于增强数据处理和细分的模型,克服传统限制.
科学领域:
- 科学用户设施的科学用户设施.
- 数据科学是数据科学.
- 图像处理 图像处理
背景情况:
- 科学用户设施产生了大量的数据集,这给图像处理带来了重大挑战.
- 实时分析和文物校正需要计算密集的算法.
- 传统的图像细分方法与复杂,低对比度的科学数据作斗争.
研究的目的:
- 解决科学图像处理和数据分析方面的挑战.
- 加速用于图像细分的机器学习模型的开发和部署.
- 为研究人员提供一个可访问的平台来分析大型实验和模拟数据.
主要方法:
- 开发了MLExchange,这是一个具有交互式Web界面的机器学习框架.
- 集成工具用于数据上传,可视化,标签和网络培训.
- 实施了一个基于网络的应用程序,用于对断层扫描数据进行训练,测试和评估机器学习模型.
主要成果:
- MLExchange促进交互式培训和机器学习模型的部署.
- 该平台允许科学家之间分享结果和训练有素的模型.
- 用户可以使用各种机器学习和深度学习算法直观地分割图像.
结论:
- MLExchange通过机器学习增强和加速科学数据分析.
- 该框架克服了传统图像细分的局限性,特别是对于复杂的数据集.
- 交互式网络接口使科学研究的先进图像分析实现了民主化.
