Selbstüberwachte 3D-Segmentierung von Krebszellen
Segmentierung 3 % besser als die Experten-Masken und 20 % höhere diagnostische Genauigkeit. Publiziert auf arXiv, in Begutachtung bei Pattern Recognition (Elsevier).
Ausgangslage
Ein Medtech-Unternehmen musste Krebszellen in sehr grossen 3D-Aufnahmen aus der Lichtblattmikroskopie segmentieren, wobei Experten-Annotationen langsam und teuer sind.
Vorgehen
Entwicklung von Barlow-Swin: ein Swin-Transformer-Encoder mit U-Net-Decoder, vortrainiert mit selbstüberwachtem Barlow-Twins-Lernen, um den Bedarf an Labels zu senken. Vergleich mit fünf etablierten Verfahren (U-Net, BT-U-Net, YOLOv8, SAM+YOLOv8, HoVerNet) und vollständig automatisierte Pipeline auf Azure (Blob Storage, Azure ML).
Ergebnis
Segmentierung 3 % besser als die Experten-Masken und 20 % höhere diagnostische Genauigkeit. Publiziert auf arXiv, in Begutachtung bei Pattern Recognition (Elsevier).
Finden wir heraus, was KI für Sie leisten kann
Ein kostenloses, unverbindliches 30-Minuten-Gespräch. Sie schildern Ihre Prozesse oder Daten, ich zeige Ihnen, wo KI helfen kann und wie ein sinnvoller erster Schritt aussieht.