An Ensemble Learning Method for Segmentation Fusion.
Fusão de segmentações. Segmentação de imagens. Redes de
aprendizagemprofunda. Visão computacional.
A segmentação das células presentes nas imagens microscópicas é uma etapa
essencial em muitas tarefas, incluindo a aferição da concentração de
proteínas e a análise da expressão gênica das células. Em estudos de
genômica, as segmentações celulares são vitais para avaliar a composição
genética de células individualmente e a sua localização espacial relativa.
Vários métodos e ferramentas foram desenvolvidos para oferecer uma
segmentação robusta, sendo, atualmente, os modelos de deep learning as
soluções mais promissoras. Como alternativa ao desenvolvimento de outro
modelo direcionado de segmentação de células, propomos, nesta dissertação,
uma estratégia de aprendizado de fusão que agrega diversas segmentações
candidatas independentes provindas de uma mesma imagem para produzir uma
única segmentação de consenso. Estamos particularmente interessados em
aprender como agrupar segmentações de imagens provindas de ferramentas
crowdsourcing, podendo ser criadas por especialistas e não especialistas em
laboratórios e data centers. Assim, comparamos nosso modelo de fusão com
outros métodos adotados pela comunidade biomédica e avaliamos a robustez
dos resultados em três aspectos: fusão com outliers, dados com
subsegmentação e deformações sintéticas. Nossa abordagem supera os métodos
em eficiência e qualidade, especialmente, quando há uma grande discordância
entre as segmentações candidatas da mesma imagem.