Self-supervised pretraining for transferable quantitative phase image cell segmentation

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216305%3A26220%2F21%3APU141672" target="_blank" >RIV/00216305:26220/21:PU141672 - isvavai.cz</a>

Nalezeny alternativní kódy

RIV/00216224:14110/21:00123919

Výsledek na webu

<a href="https://www.osapublishing.org/boe/fulltext.cfm?uri=boe-12-10-6514&id=459853" target="_blank" >https://www.osapublishing.org/boe/fulltext.cfm?uri=boe-12-10-6514&id=459853</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1364/BOE.433212" target="_blank" >10.1364/BOE.433212</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Self-supervised pretraining for transferable quantitative phase image cell segmentation

Popis výsledku v původním jazyce

In this paper, a novel U-Net-based method for robust adherent cell segmentation for quantitative phase microscopy image is designed and optimised. We designed and evaluated four specific post-processing pipelines. To increase the transferability to different cell types, non-deep learning transfer with adjustable parameters is used in the post-processing step. Additionally, we proposed a self-supervised pretraining technique using nonlabelled data, which is trained to reconstruct multiple image distortions and improved the segmentation performance from 0.67 to 0.70 of object-wise intersection over union. Moreover, we publish a new dataset of manually labelled images suitable for this task together with the unlabelled data for self-supervised pretraining.

Název v anglickém jazyce

Self-supervised pretraining for transferable quantitative phase image cell segmentation

Popis výsledku anglicky

In this paper, a novel U-Net-based method for robust adherent cell segmentation for quantitative phase microscopy image is designed and optimised. We designed and evaluated four specific post-processing pipelines. To increase the transferability to different cell types, non-deep learning transfer with adjustable parameters is used in the post-processing step. Additionally, we proposed a self-supervised pretraining technique using nonlabelled data, which is trained to reconstruct multiple image distortions and improved the segmentation performance from 0.67 to 0.70 of object-wise intersection over union. Moreover, we publish a new dataset of manually labelled images suitable for this task together with the unlabelled data for self-supervised pretraining.

Druh

J_imp - Článek v periodiku v databázi Web of Science

CEP obor

—

OECD FORD obor

20601 - Medical engineering

Projekt

Výsledek vznikl pri realizaci vícero projektů. Více informací v záložce Projekty.

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2021

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název periodika

Biomedical Optics Express

ISSN

2156-7085

e-ISSN

—

Svazek periodika

12

Číslo periodika v rámci svazku

10

Stát vydavatele periodika

US - Spojené státy americké

Počet stran výsledku

15

Strana od-do

6514-6528

Kód UT WoS článku

000703871700005

EID výsledku v databázi Scopus

2-s2.0-85115888948