Comparación de métodos modernos de segmentación semántica en imágenes de microscopía óptica de nematodos

Abstract

Los nematodos son animales de aspecto vermiforme (forma de gusanos), semitransparentes y de tamaño microscópico. Hay especies de nematodos fitoparásitos y de vida libre, las cuales son dañinas o benéficas para los agroescosistemas respectivamente. Se realizan estudios de los nematodos con el fin de obtener conocimiento en cómo interactúan con los ecosistemas y cómo utilizarlos para el control biológico. En este proyecto se desarrolla una comparación de los modelos de segmentación semántica STDC, PointRend y Segformer, proporcionados por la herramienta MMSegmentation basada en PyTorch, con el fin de identificar los píxeles correspondientes a nematodos en imágenes de microscopía óptica provenientes de una muestra de práctica cotidiana. Se analizan los modelos en base a criterios de capacidad computacional, rendimiento y la columna del modelo que esta basada en redes convolucionales o transformadores. Se realizan experimentos para medir la estabilidad del modelo y el rendimiento con cuatro configuraciones de parámetros por modelo, con el uso de arquitecturas GPU para soportar la demanda de las redes de aprendizaje profundo. Con el conjunto de datos disponible y las mascaras de segmentación generadas, los modelos analizados demuestran la capacidad de identificar nematodos en un 91% de rendimiento en base a la métrica IoU.

Nematodes are vermiform animals (worm-like), semitransparent of microscopic size. There are phytoparasites and free-living species, which are harmful or beneficial to agroecosystems, respectively. Studies of nematodes are conducted in order to gain knowledge on how they interact with ecosystems and how to use them for biological control. This project compares the semantic segmentation models STDC, PointRend and Segformer, provided by the MMSegmentation toolbox based on PyTorch, in order to identify the pixels corresponding to nematodes in optical microscopy images from a sample of daily practice. The models are analyzed based on criteria such as computational capacity, performance and the backbone’s model, which is based whether on convolutional networks or transformers. Experiments are performed to measure model stability and performance with four parameter settings per model, using GPU architectures to support the demand of deep learning networks. With the available dataset and the generated groundtruths, the analyzed models demonstrate the capacity to identify nematodes at 91% performance based on the IoU metric.