본 연구에서는 명시야 현미경(Bright-Field) 세포영상의 분할 방법을 제안한다. 연구 진행을 위하여 이미지를 전경, 경계, 마커 세 가지 분류를 나누어 추출하였고, 추출 과정에서 의료영상의 분할에 특화된 U-Net 모델을 이용하였다. 이 결과물을 마커 기반의 Watershed ...
본 연구에서는 명시야 현미경(Bright-Field) 세포영상의 분할 방법을 제안한다. 연구 진행을 위하여 이미지를 전경, 경계, 마커 세 가지 분류를 나누어 추출하였고, 추출 과정에서 의료영상의 분할에 특화된 U-Net 모델을 이용하였다. 이 결과물을 마커 기반의 Watershed알고리즘을 이용하여 최종 Instance Segmentation 결과를 도출한다. Data Set는 Sartorius의 LIVECELL Dataset 중 유방암 세포주 중 하나인 SKBR3 세포 이미지 449장을 이용하였다. 이 중 72장을 Train에, 7장을 Validation에, 나머지 370장을 Test에 사용하였다. 성능 평가로는 Count 개수의 오차 퍼센테이지 비교 평가와 Confusion Matrix의 요소를 이용한 Precision, Recall, IOU 및 DSC에 의한 면적 평가를 실시하였다. 분류 추출 시 U-Net 외에 개량된 모델 중 유효한 정보에 주목하는 Attention Mechanism 개념을 추가한 Attention U-Net 모델, 희석되는 정보를 보완한 U-Net++ 모델, 작은 객체나 정교한 구조를 더욱 효과적으로 묘사하는 모델인 SWIN-UNet의 세 가지 진보된 모델을 같이 비교하고 명시야 현미경 이미지에 알맞은 모델에 대해 논하였다. 분석 및 비교 결과, 진보된 모델이 일반 U-Net보다 더 좋은 결과를 보이며, 특히 Attention U-Net 기반의 모델은 높은 정확도를 보인다는 것을 확인 할 수 있었다.
본 연구에서는 명시야 현미경(Bright-Field) 세포영상의 분할 방법을 제안한다. 연구 진행을 위하여 이미지를 전경, 경계, 마커 세 가지 분류를 나누어 추출하였고, 추출 과정에서 의료영상의 분할에 특화된 U-Net 모델을 이용하였다. 이 결과물을 마커 기반의 Watershed 알고리즘을 이용하여 최종 Instance Segmentation 결과를 도출한다. Data Set는 Sartorius의 LIVECELL Dataset 중 유방암 세포주 중 하나인 SKBR3 세포 이미지 449장을 이용하였다. 이 중 72장을 Train에, 7장을 Validation에, 나머지 370장을 Test에 사용하였다. 성능 평가로는 Count 개수의 오차 퍼센테이지 비교 평가와 Confusion Matrix의 요소를 이용한 Precision, Recall, IOU 및 DSC에 의한 면적 평가를 실시하였다. 분류 추출 시 U-Net 외에 개량된 모델 중 유효한 정보에 주목하는 Attention Mechanism 개념을 추가한 Attention U-Net 모델, 희석되는 정보를 보완한 U-Net++ 모델, 작은 객체나 정교한 구조를 더욱 효과적으로 묘사하는 모델인 SWIN-UNet의 세 가지 진보된 모델을 같이 비교하고 명시야 현미경 이미지에 알맞은 모델에 대해 논하였다. 분석 및 비교 결과, 진보된 모델이 일반 U-Net보다 더 좋은 결과를 보이며, 특히 Attention U-Net 기반의 모델은 높은 정확도를 보인다는 것을 확인 할 수 있었다.
In this study, we propose a segmentation method for bright-field cell images using the explicit microscope (Bright-Field) technique. For the research, we divided the images into three categories: foreground, boundary, and markers, and utilized a U-Net model specialized in medical image segmentation ...
In this study, we propose a segmentation method for bright-field cell images using the explicit microscope (Bright-Field) technique. For the research, we divided the images into three categories: foreground, boundary, and markers, and utilized a U-Net model specialized in medical image segmentation during the extraction process. The final instance segmentation results were obtained using the marker-based Watershed algorithm. We used 449 images of SKBR3 cell lines, which are one of the breast cancer cell lines, from the LIVECELL Dataset by Sartorius. For performance evaluation, we conducted a comparative evaluation of the error percentage of the count, area evaluation based on Precision, Recall, IOU, and DSC using elements of the Confusion Matrix. During the classification extraction, we compared three advanced models: Attention U-Net, U-Net++, and SWIN-UNet. and discussed the appropriate models for explicit microscope images. Based on the analysis and comparison results, the advanced models showed better results than the general U-Net model, and particularly, the Attention U-Net-based model exhibited high accuracy.
In this study, we propose a segmentation method for bright-field cell images using the explicit microscope (Bright-Field) technique. For the research, we divided the images into three categories: foreground, boundary, and markers, and utilized a U-Net model specialized in medical image segmentation during the extraction process. The final instance segmentation results were obtained using the marker-based Watershed algorithm. We used 449 images of SKBR3 cell lines, which are one of the breast cancer cell lines, from the LIVECELL Dataset by Sartorius. For performance evaluation, we conducted a comparative evaluation of the error percentage of the count, area evaluation based on Precision, Recall, IOU, and DSC using elements of the Confusion Matrix. During the classification extraction, we compared three advanced models: Attention U-Net, U-Net++, and SWIN-UNet. and discussed the appropriate models for explicit microscope images. Based on the analysis and comparison results, the advanced models showed better results than the general U-Net model, and particularly, the Attention U-Net-based model exhibited high accuracy.
주제어
#Cell Segmentation 명시야 현미경 U-Net Watershed LIVECELL Dataset 기계 학
학위논문 정보
저자
이강산
학위수여기관
건양대학교 대학원
학위구분
국내석사
학과
의료공학과 의료인공지능학과
지도교수
최동혁
발행연도
2023
키워드
Cell Segmentation 명시야 현미경 U-Net Watershed LIVECELL Dataset 기계 학
※ AI-Helper는 부적절한 답변을 할 수 있습니다.