Die genaue Segmentierung von Strukturen wie Zellen und Organellen ist entscheidend, um aus Bildgebungsd aten sinnvolle biologische Erkenntnisse zu gewinnen. Mit dem Fortschreiten der Bildgebungstechnologien stellen die wachsende Größe, Dimensionalität und Komplexität von Bildern jedoch Herausforderungen für die Skalierung bestehender maschineller Lernverfahren dar. Insbesondere im Bereich der Volumen-Elektronenmikroskopie, wie zum Beispiel der fokussierten Ionenstrahl-Rasterelektronenmikroskopie (FIB-SEM) mit nahezu isotropen Fähigkeiten, müssen traditionelle 2D-Neuronenetz-basierte Segmentierungsmethoden noch vollständig optimiert werden, um mit diesen hochdimensionalen Bildgebungsmethoden effektiv umzugehen.
Forscher am Janelia Research Campus haben DaCapo entwickelt, ein Open-Source-Framework, das für skalierbare Deep-Learning-Anwendungen konzipiert ist, insbesondere für die Segmentierung großer und komplexer Bild Datensätze wie sie von FIB-SEM produziert werden. DaCapos modulares Design ermöglicht die Anpassung an verschiedene Anforderungen, wie 2D- oder 3D-Segmentierung, isotrope oder anisotrope Daten und unterschiedliche Neuronennetzarchitekturen. Es unterstützt die blockweise verteilte Bereitstellung auf lokalen, Cluster- oder Cloud-Infrastrukturen und ist somit an verschiedene Rechnerumgebungen anpassbar. DaCapo zielt darauf ab, den Zugang zur Bildsegmentierung im großen Maßstab zu verbessern und lädt zur Zusammenarbeit in der Community ein.
DaCapo optimiert den Trainingsprozess für Deep-Learning-Modelle, indem es Datenladen, Augmentation, Verlustberechnung und Parameteroptimierung verwaltet. Benutzer können mit einer CSV-Datei leicht Datenuntergruppen für das Training oder die Validierung festlegen. DaCapo übernimmt das Modell-Checkpointing und führt Parameter-Sweeps für die Nachverarbeitung, die Bewertung von Leistungsmetriken wie F1-Score, Jaccard-Index und Variationsinformation durch. Es bietet auch Flexibilität bei der Aufgabenspezifikation, die es den Benutzern ermöglicht, mit minimalen Codeänderungen zwischen Segmentierungsaufgaben und Vorhersagezielen zu wechseln. Dieses modulare Design ermöglicht eine einfache Anpassung und Skalierbarkeit in verschiedenen Rechnerumgebungen, was die Effizienz des Modelltrainings und der Bereitstellung verbessert.
DaCapo ist ein umfassendes Framework, das für das Training und die Bereitstellung von Deep-Learning-Modellen entwickelt wurde, insbesondere für die Bildsegmentierung im großen Maßstab. Es umfasst vorgefertigte Modellarchitekturen wie 2D- und 3D-UNets und unterstützt die Integration von benutzertrainierten oder vortrainierten Modellen. Insbesondere bietet es Zugriff auf vortrainierte Netze aus dem COSEM-Projektteam, die nützlich sind für die Segmentierung von Zellen und subzellulären Strukturen in FIB-SEM-Bildern. Benutzer können diese Modelle herunterladen und für spezifische Datensätze feinabstimmen, wobei zukünftige Modelle wie CellMap zu den Angeboten von DaCapo erwartet werden. Die Plattform ermutigt die Gemeinschaft, zu ihrer Modell-Repository beizutragen.