ارزیابی تجربی ادغام یادگیری خودنظارتی DINO با معماریهای بخشبندی در تصاویر سلولی
ارزیابی تجربی ادغام یادگیری خودنظارتی DINO با معماریهای بخشبندی در تصاویر سلولی
حسنا خادمفر1 رضا یزدی2
1) دانشجوی کارشناسی ارشدمهندسی کامپیوتر گرایش هوش مصنوعی، موسسه آموزش عالی شرق گلستان، گنبدکاووس، ایران،
2) استادیار هوش مصنوعی، دانشکده مهندسی، دانشگاه گلستان،گرگان، ایران،
کد IOI مقاله
:
AAHD-ABKFFB
محل انتشار :
کنفرانس ملی فناوری اطلاعات، نانوتکنولوژی، هوش مصنوعی و آینده پژوهی فناوری (itnaf.ir)
چکیده :
بخشبندی دقیق سلولها در تصاویر میکروسکوپی یکی از مراحل کلیدی در تحلیل تصاویر زیستی و پزشکی است، اما وابستگی مدلهای یادگیری عمیق به دادههای برچسبدار، کاربرد آنها را در محیطهای واقعی با محدودیت مواجه میکند. یادگیری خودنظارتی (Self-Supervised Learning) بهعنوان راهکاری برای بهرهگیری از دادههای بدون برچسب مطرح شده است، بااینحال میزان اثربخشی آن در تصویربرداری زیستی، بهویژه در شرایط کمبود داده، هنوز بهطور کامل روشن نیست. در این پژوهش، تأثیر ادغام ویژگیهای استخراجشده از مدل خودنظارتی DINO با دو استخراجکننده ویژگی مبتنی بر ViT و ResNet-50 در کنار دو معماری بخشبندی U-Net و MaxSigNet بهصورت تجربی ارزیابی شد. آزمایشها بر روی مجموعهداده استاندارد LIVECell با استفاده از ۲۵۰ تصویر آموزشی، ۶۰ تصویر اعتبارسنجی و ۱۴۰ تصویر آزمون انجام شدند و عملکرد شش پیکربندی مختلف با معیارهای IoU، ضریب Dice و میانگین دقت متوسط (mAP) مقایسه شد. نتایج نشان داد که U-Net پایه بهترین عملکرد کلی را با مقادیر 0.79 برای IoU، 0.90 برای Dice و 0.92 برای mAP به دست آورد. همچنین، افزودن ویژگیهای DINO، چه در نسخه مبتنی بر ViT و چه ResNet-50، بهبود آماری معناداری ایجاد نکرد و در برخی پیکربندیها موجب افت جزئی عملکرد شد. تحلیل نتایج نشان میدهد که شکاف دامنه میان تصاویر طبیعی و تصاویر میکروسکوپی، ناهماهنگی میان اهداف یادگیری خودنظارتی و نیازهای بخشبندی دقیق، و نیز سادگی راهبرد ادغام ویژگیها از عوامل اصلی این رفتار هستند. این پژوهش با ارائه تحلیلی شفاف از نتایج منفی، درک واقعبینانهتری از محدودیتهای انتقال مستقیم مدلهای خودنظارتی به بخشبندی سلولی فراهم میکند.
کلمات کلیدی : بخشبندی سلولی یادگیری خودنظارتی dino u net maxsignet تصویربرداری زیستی livecell