DETECTING CELLS OF INTEREST IN LARGE IMAGE DATASETS USING ARTIFICIAL INTELLIGENCE

A method for selecting a final model for detecting cells of interest in image datasets includes dividing a curated image dataset into a training set, a validation set, and a testing set where each image in the curated image dataset has been labeled as positive or negative for a cell of interest. The...

Ausführliche Beschreibung

Gespeichert in:
Bibliographische Detailangaben
Hauptverfasser: BURNETT, Benjamin Adam, WILKINSON, Dan Charles Jr
Format: Patent
Sprache:eng ; fre
Schlagworte:
Online-Zugang:Volltext bestellen
Tags: Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
Beschreibung
Zusammenfassung:A method for selecting a final model for detecting cells of interest in image datasets includes dividing a curated image dataset into a training set, a validation set, and a testing set where each image in the curated image dataset has been labeled as positive or negative for a cell of interest. The method trains each model of an ensemble of neural networks using the training and validation sets. Next, each model of the ensemble is tested using the testing set and the predictions of the ensemble are combined. The combined prediction is compared to the label and the method determines whether the combined prediction satisfies a pre-determined level of detection (LOD). If so, the method outputs the ensemble as a final ensemble. If not, the method modifies a hyperparameter of at least one of the models of the ensemble until the combined prediction satisfies the pre-determined LOD. L'invention concerne un procédé de sélection d'un modèle final permettant de détecter des cellules d'intérêt dans des ensembles de données d'images qui consiste à diviser un ensemble de données d'images curées en un ensemble d'apprentissage, un ensemble de validation, et un ensemble de test où chaque image dans l'ensemble de données d'image traitée a été marquée comme étant positive ou négative pour une cellule d'intérêt. Le procédé entraîne chaque modèle d'un ensemble de réseaux neuronaux à l'aide des ensembles d'apprentissage et de validation. Ensuite, chaque modèle de l'ensemble est testé à l'aide de l'ensemble de test et les prédictions de l'ensemble sont combinées. La prédiction combinée est comparée à l'étiquette et le procédé détermine si la prédiction combinée satisfait un niveau de détection prédéterminé (LOD). Si tel est le cas, le procédé délivre l'ensemble sous la forme d'un ensemble final. Dans le cas contraire, le procédé modifie un hyper-paramètre d'au moins un des modèles de l'ensemble jusqu'à ce que la prédiction combinée satisfasse la LOD prédéterminée.