AI Toolkit Bildanalyse in den Biowissenschaften mit Machine Learning

Random-Forest-Klassifikatoren: Stimmenmehrheit ist der Schlüssel
ZEISS Intellesis Segmentation arbeitet mit dem Machine-Learning-Pixelklassifikationsalgorithmus „Random Forest“. Dieser Algorithmus beruht auf Entscheidungsbäumen, mit denen Pixel anhand zahlreicher Pixelmerkmale klassifiziert werden. Random Forests bestehen aus einer Vielzahl solcher Bäume und klassifizieren Pixel nach dem Prinzip der Stimmenmehrheit. So entsteht eine sehr solide Segmentierung, es sind nur äußerst wenige Trainingsdaten erforderlich und das Training verläuft deutlich schneller als bei anderen Algorithmen.

Neuronales VGG19-Netz liefert Daten an Random-Forest-Klassifikatoren
Standardmäßige Random-Forest-Klassifikatoren sind nicht immer kontextsensitiv (d. h., sie beachten die „Nachbarschaft“ eines Pixels nicht), sondern verlassen sich lediglich auf Standard-Imaging-Filter. Wenn die Bilder in ein neuronales VGG19-Netz eingespeist und von dort aus wiederum Feature Maps an den Random-Forest-Klassifikator übermittelt werden, lässt sich die Random-Forest-Geschwindigkeit mit der überragenden Bilderkennung tiefer neuronaler Netze verbinden. Die Abläufe werden kontextsensitiver und liefern folglich bessere Segmentierungsergebnisse.