基于深度学习的监督和半监督对照和SEM显微镜的细分用于植物蛋白质凝的微观结构特征
1Department of Human Nutrition, Food and Animal Sciences, University of Hawaii at Manoa, Honolulu, 1955 East-west Road, HI 96822, USA.
概括
一个新的半监督学习 (SSL) 框架有效地用最小的标记数据对植物蛋白凝显微镜图像进行细分. 这种方法实现了高精度,与完全监督的方法相提并论,使强大的食品微观结构分析成为可能.
科学领域:
- 食品科学和材料科学 食品科学和材料科学
- 显微镜和图像分析
- 科学研究中的人工智能
背景情况:
- 植物蛋白凝的显微镜可提供关键的结构和功能数据.
- 量化图像细分传统上需要大量的手动注释,限制吞吐量.
- 开发有效的注释方法对于推进食品微观结构分析至关重要.
研究的目的:
- 开发和验证一个半监督学习 (SSL) 框架,用于细分植物蛋白质凝图像.
- 用有限的标签数据 (10%) 与伪标签相结合来评估SSL模型的性能.
- 评估结构指标的提取及其与地面真相的相关性,使用SSL衍生细分.
主要方法:
- 实施半监督学习 (SSL) 框架,使用10%的标记数据和伪标签.
- 植物性蛋白质凝的共聚焦和扫描电子显微镜 (SEM) 图像的细分.
- 使用交叉与联盟 (IoU) 和子系数进行定量评估.
- 提取和分析尺度不变的结构指标,如碎形维度和蛋白质聚合面积.
主要成果:
- SSL框架实现了与完全监督学习 (SL) 模型相比的细分精度.
- SEM图像细分:SSL (IoU=0.83,Dice=0.91) 与SL (IoU=0.84,Dice=0.91) 相比,它们可以分为两种类型.
- 与焦点相一致的图像细分:SSL (IoU=0.73,子=0.85) 与SL (IoU=0.82,子=0.90) 相比.
- 提取的结构指标显示出强烈的相关性,证明了SSL模型的稳定性.
结论:
- 开发的SSL框架为植物蛋白凝微结构分析提供了高通量,注释效率高的解决方案.
- SSL模型提供了与完全监督的方法相匹配的细分精度,大大减少了注释工作.
- 将SSL与尺度不变结构描述符相结合,可以在不同的成像条件下进行可靠的材料表征.
