| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 116.95 MB | Adobe PDF |
Orientador(es)
Resumo(s)
Este Trabalho de Projeto investiga o impacto da compressão de imagens na performance de modelos de segmentação baseados em Deep Learning aplicados a imagens FIB-SEM (Focused Ion Beam Scanning Electron Microscopy). Modelos de YOLOforam treinados e avaliados através várias configurações experimentais, com consideração cuidadosa do manuseamento do dataset, da metodologia de treino, e da configuração da inferência. Experiências iniciais destacaram a importância da separação estrita do dataset FIB-SEM para avaliação realista da generalização. O efeito da compressão foi avaliado aplicando um modelo de JPEG AI pré-treinado às imagens de teste, alcançando elevadas taxas de compressão e métricas objetivas favoráveis, demonstrando o potencial de compressão baseada em deep-learning para armazenamento e transmissão de dados de microscopia de alta resolução. O desempenho da segmentação em imagens comprimidas mostrou uma redução gradual nas métricas de qualidade da segmentação com o aumento das taxas de compressão, indicando que o modelo de compressão estava a suprimir alguma informação relevante para a segmentação ao reduzir o número de bits da representação comprimida. Os resultados demonstram que sistemas de deteção/segmentação baseados em Deep Learning podem operar efetivamente em imagens comprimidas, apoiando o uso de abordagens conscientes em compressão para análise eficiente de imagens médicas.
This Master’s project investigates the impact of image compression on the performance of Deep Learning–based segmentation models applied to FIB-SEM (Focused Ion Beam Scanning Electron Microscopy) imagery. YOLO models were trained and evaluated under various experimental setups, with careful consideration for dataset handling, training methodology, and inference configuration. Initial experiments highlighted the importance of strict FIB-SEM dataset separation for realistic generalization assessment. The effect of compression was evaluated by applying a pre-trained JPEG AI model to test images, achieving high compression ratios and favorable objective metrics, demonstrating the potential of learned compression for storage and transmission of highresolution microscopy data. Segmentation performance on compressed images showed a gradual reduction on segmentation quality metrics with the compressed bit rates, indicating that the compression model was suppressing some segmentation-relevant information when reducing bit rate. The results demonstrate that deep learning–based detection/segmentation systems can operate effectively on learning-based compressed images, when compression ratio is controlled and compression effects are monitored, supporting the use of compressionaware approaches for efficient medical image analysis.
This Master’s project investigates the impact of image compression on the performance of Deep Learning–based segmentation models applied to FIB-SEM (Focused Ion Beam Scanning Electron Microscopy) imagery. YOLO models were trained and evaluated under various experimental setups, with careful consideration for dataset handling, training methodology, and inference configuration. Initial experiments highlighted the importance of strict FIB-SEM dataset separation for realistic generalization assessment. The effect of compression was evaluated by applying a pre-trained JPEG AI model to test images, achieving high compression ratios and favorable objective metrics, demonstrating the potential of learned compression for storage and transmission of highresolution microscopy data. Segmentation performance on compressed images showed a gradual reduction on segmentation quality metrics with the compressed bit rates, indicating that the compression model was suppressing some segmentation-relevant information when reducing bit rate. The results demonstrate that deep learning–based detection/segmentation systems can operate effectively on learning-based compressed images, when compression ratio is controlled and compression effects are monitored, supporting the use of compressionaware approaches for efficient medical image analysis.
Descrição
Palavras-chave
FIB-SEM YOLO JPEG AI segmentação de imagem compressão de imagem Image sgmentation
Contexto Educativo
Citação
Editora
Licença CC
Sem licença CC