Difference between revisions of "Artificial Intelligence/es"
Hawaiisunfun (Talk | contribs) (Created page with "===Etiquetado de Gráficos de Afinidad===") |
Hawaiisunfun (Talk | contribs) (Created page with "La siguiente etapa nos brinda una forma más sofisticada de determinar dónde se encuentran los límites entre las ramas de las células. Esto se conoce como "etiquetado de gr...") |
||
| Line 9: | Line 9: | ||
===Etiquetado de Gráficos de Afinidad=== | ===Etiquetado de Gráficos de Afinidad=== | ||
| − | + | La siguiente etapa nos brinda una forma más sofisticada de determinar dónde se encuentran los límites entre las ramas de las células. Esto se conoce como "etiquetado de gráfico de afinidad". El gráfico de afinidad considera todo el material en un segmento dado y toma decisiones sobre dónde se encuentran los límites entre los objetos. La IA examinará cada vóxel o "píxel de volumen" (imagine un píxel 3D) y determinará la probabilidad de que pertenezca al mismo objeto que sus vecinos. Al determinar la "afinidad" que cualquier voxel dado tiene con todos los voxels adyacentes, la IA puede comenzar a agrupar objetos y separarlos entre sí. | |
The AI determines boundaries between objects by the “probability” that a voxel belongs to the same object as it’s neighbors. Our images are set at a low threshold of probability that segments are connected. This means that the machine won’t connect two groups of pixels unless it is fairly certain they belong to the same segment, and are bounded by the same border. This helps to minimize [[Mergers|mergers]], but means this AI is more hesitant to connect large pieces of a cell branch. | The AI determines boundaries between objects by the “probability” that a voxel belongs to the same object as it’s neighbors. Our images are set at a low threshold of probability that segments are connected. This means that the machine won’t connect two groups of pixels unless it is fairly certain they belong to the same segment, and are bounded by the same border. This helps to minimize [[Mergers|mergers]], but means this AI is more hesitant to connect large pieces of a cell branch. | ||
Revision as of 23:05, 19 July 2019
Las imágenes neuronales en 3D de Eyewire se basan en imágenes de microscopio electrónico en serie (EM en serie) de neuronas. Lo que estamos haciendo es tomar una serie de imágenes en 2D y apilarlas una encima de la otra para crear el 3D.
El propósito de la IA que utilizamos es separar las neuritas (las ramas de la célula) unas de otras. El rastreo temprano de la imagen EM se realizó sin ayuda de computadora, y llevaría más de una década encontrar las conexiones entre unos pocos cientos de células. Las nuevas tecnologías inteligentes permiten que la computadora nos ayude a rastrear las células de una manera más eficiente.
Contents
Etiquetado de Objetos Individuales
En la primera etapa comenzamos a etiquetar objetos individuales. Por lo general, comenzamos con un marcador humano que identifica y colorea todos los objetos en un volumen determinado. Los resultados se convierten en datos de entrenamiento que ayudan a desarrollar algoritmos que la IA utilizará en volúmenes futuros. Si solo tenemos una pequeña muestra de datos de entrenamiento, la IA puede "sobre-aprender" y no poder generalizar adecuadamente para nuevos conjuntos de datos. Así que cuantos más datos de entrenamiento podamos introducir en la IA, mejor. Eyewire es una buena fuente de datos de usuario que podemos utilizar para mejorar nuestros algoritmos.
Etiquetado de Gráficos de Afinidad
La siguiente etapa nos brinda una forma más sofisticada de determinar dónde se encuentran los límites entre las ramas de las células. Esto se conoce como "etiquetado de gráfico de afinidad". El gráfico de afinidad considera todo el material en un segmento dado y toma decisiones sobre dónde se encuentran los límites entre los objetos. La IA examinará cada vóxel o "píxel de volumen" (imagine un píxel 3D) y determinará la probabilidad de que pertenezca al mismo objeto que sus vecinos. Al determinar la "afinidad" que cualquier voxel dado tiene con todos los voxels adyacentes, la IA puede comenzar a agrupar objetos y separarlos entre sí.
The AI determines boundaries between objects by the “probability” that a voxel belongs to the same object as it’s neighbors. Our images are set at a low threshold of probability that segments are connected. This means that the machine won’t connect two groups of pixels unless it is fairly certain they belong to the same segment, and are bounded by the same border. This helps to minimize mergers, but means this AI is more hesitant to connect large pieces of a cell branch.
Semiautomated Segmentation
One tool we do have to help speed up the construction process is called semiautomated segmentation. This feature allows the computer to piece together branch fragments it believes are correct. This means that the human user has less work to do when he or she manually connects segments. The more the computer learns how to piece together connected segments, the less effort there is for the human user.
References
Turaga, S., Briggman, K., Helmstaedter, M., Denk, W., & Seung, S. "Maximin Affinity Learning of Image Segmentation". 28 Nov 2009 http://arxiv.org/pdf/0911.5372.pdf
Turaga, Srinivas C. et al. “Convolutional Networks Can Learn to Generate Affinity Graphs for Image Segmentation.” Neural Computation 22.2 (2011): 511-538. © 2009 Massachusetts Institute of Technology http://dspace.mit.edu/handle/1721.1/60924
