“`html

DaCapo: открытая платформа глубокого обучения для ускорения обучения существующих подходов машинного обучения на больших и близких к изотропным изображениям

Точная сегментация структур, таких как клетки и органеллы, является ключевой для получения значимых биологических данных из изображений. Однако с развитием технологий изображений возникают вызовы масштабирования существующих методов машинного обучения из-за увеличения размера, размерности и сложности изображений. Это особенно заметно в объемной электронной микроскопии, такой как фокусированная ионно-лучевая сканирующая электронная микроскопия (FIB-SEM) с близкими к изотропными возможностями. Традиционные методы сегментации на основе нейронных сетей 2D все еще нуждаются в оптимизации для этих высокомерных модальностей изображений, что подчеркивает необходимость более продвинутых подходов для эффективной обработки увеличенной сложности данных.

Решение DaCapo

Исследователи из Janelia Research Campus разработали DaCapo, открытую платформу, предназначенную для масштабируемых приложений глубокого обучения, особенно для сегментации больших и сложных наборов изображений, таких как те, которые производятся FIB-SEM. Модульная конструкция DaCapo позволяет настраивать ее под различные потребности, такие как 2D или 3D сегментация, изотропные или анизотропные данные, а также различные архитектуры нейронных сетей. Она поддерживает блочное распределенное развертывание на локальных, кластерных или облачных инфраструктурах, что делает ее адаптивной к различным вычислительным средам. DaCapo направлена на улучшение доступности сегментации изображений большого масштаба и приглашает к сотрудничеству сообщество.

DaCapo упрощает процесс обучения моделей глубокого обучения, управляя загрузкой данных, аугментацией, расчетом потерь и оптимизацией параметров. Пользователи могут легко назначать подмножества данных для обучения или валидации, используя файл CSV. DaCapo обрабатывает контрольные точки модели и выполняет параметрические сканирования для постобработки, оценивая метрики производительности, такие как F1-оценка, индекс Жаккара и вариация информации. Он также предлагает гибкость в спецификации задач, позволяя пользователям переключаться между задачами сегментации и целями прогнозирования с минимальными изменениями кода. Эта модульная конструкция обеспечивает легкую настройку и масштабируемость в различных вычислительных средах, улучшая эффективность обучения и развертывания моделей.

DaCapo – это комплексная платформа, предназначенная для обучения и развертывания моделей глубокого обучения, особенно для сегментации биологических изображений большого масштаба. Она включает предварительно построенные архитектуры моделей, такие как 2D и 3D UNets, и поддерживает интеграцию пользовательских или предварительно обученных моделей. Она также предоставляет доступ к предварительно обученным сетям от команды проекта COSEM, которые полезны для сегментации клеток и субклеточных структур на изображениях FIB-SEM. Пользователи могут загружать и настраивать эти модели для конкретных наборов данных, а в будущем ожидается добавление моделей, таких как CellMap, в предложения DaCapo. Платформа призывает сообщество вносить вклад в расширение ее репозитория моделей.

Для обработки наборов данных петабайтного масштаба DaCapo использует блочное вывод и постобработку, используя инструменты, такие как Daisy и фрагментированные форматы файлов (например, Zarr-V2 и N5), чтобы эффективно обрабатывать большие объемы данных. Этот подход устраняет краевые артефакты и позволяет бесшовную параллелизацию как семантических, так и инстансных задач сегментации. Пользователи также могут создавать пользовательские сценарии для настраиваемой постобработки без специальных знаний в области параллелизации или фрагментированных форматов. Примером реализации является использование Empanada для сегментации митохондрий в больших объемах изображений, демонстрируя универсальность и масштабируемость платформы.

Конфигурация контекста вычислений DaCapo предлагает гибкость в управлении операциями на локальных узлах, распределенных кластерах или облачных средах. Она поддерживает ряд вариантов хранения и вычислительных сред, а простое развертывание облегчается образом Docker для облачных ресурсов, таких как AWS. Платформа постоянно развивается, с планами улучшения пользовательского интерфейса, расширения репозитория предварительно обученных моделей и улучшения масштабируемости. Команда DaCapo приглашает сообщество принять участие в ее дальнейшем развитии, нацеленном на продвижение области анализа биологических изображений.

“`