开源技术 * IBM 微讲堂:Kubeflow 系列(观看回放 | 下载讲义) 了解详情

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

领域 应用 行业 框架 训练数据 输入数据格式
视觉 对象检测 医疗 Keras 2018 Data Science Bowl 图像 (PNG/JPG/TIFF)

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

组件 许可 链接
模型 GitHub 代码库 Apache 2.0 许可
模型权重 Apache 2.0 许可
模型代码(第三方) MIT 许可
测试资产 多种 样本 README 文件

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
    
  • 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
    

    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 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)