Self-supervised pretraining for transferable quantitative phase image cell segmentation
Identifikátory výsledku
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>
Alternativní jazyky
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.
Klasifikace
Druh
J<sub>imp</sub> - Článek v periodiku v databázi Web of Science
CEP obor
—
OECD FORD obor
20601 - Medical engineering
Návaznosti výsledku
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)
Ostatní
Rok uplatnění
2021
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
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