جستجو
ارزیابی تجربی ادغام یادگیری خودنظارتی DINO با معماریهای بخشبندی در تصاویر سلولی
حسنا خادمفر1 رضا یزدی2
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
زبان مقاله : فارسی
محور مقاله : محورهای نظری هوش مصنوعی
محل انتشار : کنفرانس ملی فناوری اطلاعات، نانوتکنولوژی، هوش مصنوعی و آینده پژوهی فناوری
آدرس وب سایت کنفرانس : itnaf.ir
کد IOI مقاله : AAHD-ABKFFB
لینک مستقیم مقاله : https://isnac.ir/AAHD-ABKFFB
نمایش چکیده انگلیسی
: https://isnac.ir/SA/AAHD-ABKFFB
سایر مقالات ارائه دهنده
سایر مقالات محل انتشار
- A Study on Design Understandability and Interaction of the therapy-specific Robots
- طراحی و مهندسی یک حسگر زیستی نوری چند مدی پلاسمونیک مبتنی بر تشدیدگرهای حلقه شکاف برای سنجش جامع آنتیژن
- طراحی یک اسیلاتورکنترل شونده با ولتاژ با نویز فاز بسیار پایین و بازه وسیع فرکانسی با تکنولوژی نانولوله کربنی برای کاربردهای PLL
- یک چارچوب هوشمند آگاه به زمینه برای ارتباطات V2V و V2Iدر شبکههای خودرویی شهرهای هوشمند با استفاده از دادههای ترافیکی شبکه سلولی
- An Ensemble Non-Dominated Feature Selection Method: A Case Study on Prostate Cancer
- تشخیص زودهنگام پوسیدگی دندان با استفاده از شبکههای عصبی
- Simulation and Performance Comparison of Torque Tube and LVDT Sensors in Displacer-Based Level Measurement Systems
- ارتقا سامانه ناوبری پهپاد مهاجر ۶ با استفاده از فناوری
- کاربرد نانوذرات مگنتیت (Fe3O4) در پزشکی (از سنتز تا عملکرد)
- Simulation and Modeling of Floating-Gate Non-Volatile Memory Performance: Focus on Oxide Thickness, Programming Speed, and Charge Transport Mechanisms
- Fraud Analytics with Big Data: A Literature Review on Machine Learning Algorithms in Bankruptcy Prediction and Financial Fraud Detection
- تحلیل آیندهپژوهانه همگرایی هوش مصنوعی، فناوری نانو و فناوری اطلاعات در مسیر تحول صنعتی آینده
- نقش تحول دیجیتال در خدمات کتابخانههای عمومی برای توانیابان جسمی و ذهنی
- Prediction and Optimization of Oxygen Production under Microgravity Conditions Using Machine Learning
- Simulation and Performance Comparison of Ultrasonic, Non-Contact Radar, and Guided Wave Radar Sensors in Level Measurement Systems