细胞核分割器

概述

细胞核分割器（Nucleus Segmenter）可以检测显微图像中的细胞核，并指定要分配给每个细胞核的图像像素。此模型基于 Mask R-CNN 架构，使用特征金字塔网络 (FPN) 和 ResNet50 主干开发而成。给定一个图像（大小为 64×64、128×128 或 256×256），此模型将输出每个检测到的细胞核的分割掩码和概率。将使用行程编码 (RLE)来压缩此掩码。

此模型基于 Mask R-CNN 的 TF 实现。该模型已根据 Broad Bioimage Benchmark Collection（登记号 BBBC038，V1）注释生物图像数据集进行了训练。

模型元数据

参考资料

• K. He、G. Gkioxari、P. Dollár 和 R. Girshick，2017 年 10 月。Mask R-CNN。出自 2017 年国际计算机视觉大会 (ICCV) 会议资料（第 2980-2988 页）。电气与电子工程师协会。
• V. Ljosa、K.L. Sokolnicki 和 A.E. Carpenter，2012 年。Annotated High-throughput Microscopy Image Sets for Validation。出自 Nature Methods，9(7)，第 637-637 页。
• Broad Bioimage Benchmark Collection [Ljosa 等，出自 Nature Methods，2012 年]。
• Mask R-CNN Github 代码库

许可

此模型的可用部署选项

可以使用以下方式来部署此模型：

• 通过 Dockerhub 进行部署：

  docker run -it -p 5000:5000 codait/max-nucleus-segmenter
  

  Show more

• 在 Red Hat OpenShift 上部署：

  遵循本教程中有关 OpenShift Web 控制台或 OpenShift Container Platform CLI 的操作说明，并指定 codait/max-nucleus-segmenter 作为镜像名称。

• 在 Kubernetes 上部署：

  kubectl apply -f https://raw.githubusercontent.com/IBM/MAX-Nucleus-Segmenter/master/max-nucleus-segmenter.yaml
  

  Show more

  可以在此处找到有关如何将此 MAX 模型部署到 IBM Cloud 上的生产环境的更详细的教程。

• 本地部署：遵循 GitHub 上的模型 README 文件中的操作说明

用法示例

您可以测试或使用此模型

• 使用 cURL
• 在无服务器应用程序中

使用 cURL 测试模型

在部署模型后，可以在命令行中测试该模型。例如：

$ curl -F "image=@samples/example.png" -XPOST http://localhost:5000/model/predict

您应该会看到与下面类似的 JSON 响应：

{
  "status": "ok",
  "predictions": [
    {
      "mask": [
        3507,
        1,
        3571,
        5,
        3635,
        6,
        3700,
        5,
        3766,
        4,
        3831,
        2
      ],
      "probability": 0.9837305545806885
    }
    ...
  ]
}

在无服务器应用程序中测试模型

通过遵循在 IBM Cloud Functions 中利用深度学习教程中的操作说明，可以在无服务器应用程序中使用此模型。

资源与贡献

如果您有兴趣为 Model Asset Exchange 项目做出贡献或有任何疑问，遵循此处的操作说明。

本文翻译自：Nucleus Segmenter（2019-03-28）