Choisir le bon flux de travail de segmentation pour vos données

À mesure que les ensembles de données augmentent en volume et en complexité , la segmentation manuelle prend de plus en plus de temps et devient difficile à reproduire. Les outils basés sur l'IA aident à relever ce défi en rendant la segmentation plus cohérente, plus facile à mettre à l'échelle et souvent beaucoup plus rapide que les méthodes manuelles. Dragonfly 3D World Il prend en charge les flux de travail de segmentation sémantique et d'instance grâce à des outils tels que Segmentation Wizard et Cellpose-SAM, offrant ainsi aux chercheurs et aux professionnels de l'industrie la flexibilité de choisir l'approche la plus adaptée à leurs données.

Tous les flux de travail de segmentation d'images ne se valent pas.

Dans le domaine du traitement d'images, il existe deux principaux types de segmentation, chacun ayant son propre objectif et son propre flux de travail.

La segmentation sémantique consiste principalement à classifier les objets, à les séparer en différentes classes et à attribuer une seule étiquette à tous les pixels appartenant à une même catégorie. Par exemple, chaque cavité dans une pièce moulée ou chaque mitochondrie dans un jeu de données cellulaires serait identifiée comme appartenant à la même classe.

La segmentation d'instances va plus loin en séparant chaque objet individuel dans sa propre classe. Ainsi, au lieu d'identifier toutes les mitochondries comme un seul groupe, la segmentation d'instances distingue chaque mitochondrie comme un objet distinct. Ceci est essentiel pour le dénombrement et l'analyse des structures individuelles au sein d'un échantillon.

Bien que les deux approches permettent de segmenter les données, elles sont conçues pour répondre à des questions différentes. Comprendre ces différences est essentiel pour choisir le bon déroulement du travail pour votre application.

Segmentation sémantique : Entraînement de modèles pour des résultats reproductibles

On peut imaginer cette différence comme un seau de pop-corn. La segmentation sémantique vise à identifier le maïs soufflé comme appartenant à une classe et le seau à une autre. Chaque grain de maïs soufflé appartient à la même catégorie. La segmentation par instance va plus loin en identifiant et en séparant chaque grain individuellement. 

Par exemple, dans notre article sur l'analyse de la porosité des pièces moulées par intelligence artificielle , un modèle d'apprentissage profond a été entraîné pour identifier la porosité au sein d'une pièce moulée numérisée par tomographie. Plutôt que de séparer et de mesurer chaque pore individuellement, l'objectif était de classifier toutes les zones de porosité et de quantifier les défauts dans l'ensemble de l'échantillon. Le modèle entraîné a permis d'identifier avec succès des pores de retrait subtils et des vides étroits que les méthodes de seuillage classiques n'avaient pas détectés. Il a aussi produit des résultats cohérents lorsqu'il a été appliqué à un autre échantillon de pièce moulée.

Segmentation d'instances : séparation d'objets individuels avec Cellpose-SAM

La segmentation sémantique permet de localiser la porosité et d'estimer la proportion de matériau occupée par les vides. Cependant, pour connaître le nombre de vides, identifier les défauts les plus importants ou encore la distribution des pores dans l'échantillon, chaque vide doit être considéré comme un objet distinct. C'est là que la segmentation par instance s'avère plus pertinente.

Cellpose-SAM de Dragonfly combine les forces de Cellpose avec le modèle Segment Anything Model (SAM) de Meta pour une segmentation d'instances rapide et accessible. Dans bien des cas, les utilisateurs peuvent séparer des objets qui se touchent ou se chevauchent en quelques clics seulement, sans avoir besoin d'entraîner un modèle personnalisé.

Ce flux de travail est particulièrement précieux lorsque des mesures au niveau de l'objet sont nécessaires, comme le comptage cellulaire ou l'analyse de la distribution granulométrique. En séparant automatiquement les structures en instances individuelles, Cellpose-SAM permet une analyse quantitative impossible si ces structures étaient regroupées.

Choisir la segmentation d'image adaptée à vos données

Il n'existe pas d'approche « idéale » unique pour comparer la segmentation sémantique et la segmentation d'instances. Tout dépend du genre d'analyse à effectuer.

Si votre objectif est d'identifier et d'analyser une caractéristique dans son ensemble, la segmentation sémantique est souvent le choix le plus judicieux. Si vous devez analyser des structures individuelles, la segmentation par instance est généralement préférable.

Dans de nombreux flux de travail, ces deux approches se complètent. La segmentation sémantique permet d'abord d'identifier une région ou une classe d'intérêt, tandis que la segmentation d'instances permet ensuite de séparer et d'analyser les objets individuels au sein de cette classe.

Ensemble, Dragonfly L'assistant de segmentation et Cellpose-SAM de [Nom de l'entreprise] aident à transformer la segmentation d'images, un goulot d'étranglement manuel, en un flux de travail évolutif, permettant aux chercheurs et aux professionnels de l'industrie de consacrer moins de temps à la préparation des données et plus de temps à la génération d'informations.

Vous voulez voir ces flux de travail en action ? Explorez Dragonfly 3D World Essayez gratuitement pendant 30 jours les outils de segmentation de [Nom de l'entreprise] et découvrez comment la segmentation d'images basée sur l'IA peut accélérer votre prochain projet.