一个轻量级修改的适应性UNet用于核细分

科学领域:

• * 计算生物学 计算生物学
• * 生物医学图像分析
• * 深度学习用于显微镜.

背景情况:

• * 细胞核细分对于生物和生物医学研究中的定量分析至关重要.
• *传统的方法和现有的U-Net模型与小的前景对象和不平衡的数据集作斗争.
• *当前方法中的大型模型尺寸导致过拟合问题.

研究的目的:

• * 开发一种新的深度学习架构,mA-UNet,以改善细胞核细分.
• * 应对预测小前景元素和数据集不平衡的挑战.
• * 评估mA-UNet的性能与最先进的模型相比.

主要方法:

• *介绍了mA-UNet架构,优化了小前景元素预测.
• * 实施数据预处理策略,根据道路细分来处理不平衡的数据集.
• *对2018年数据科学碗数据集的定量和质量评估.

主要成果:

• *mA-UNet实现了95.50%的平均交叉点比联盟 (MIoU) 积分,超过了UNet++.
• * 拟议的方法论与其他最先进的模型相比,显示出更高的性能.
• * mA-UNet 在使用 VHDL 的 Zynq UltraScale+ FPGA 上成功实现,显示了效率和可扩展性.

结论:

• *mA-UNet为显微镜图像的细胞核细分提供了显著的进步.
• * 该模型有效地处理小物体和不平衡的数据,这对于生物应用至关重要.
• *FPGA实现突出了模型的效率和实时应用的潜力.