Cell Counting – ResUNet

Cell Counting – ResUNet

Cell Counting – ResUNet

Panoramica

Il corso è ideato per dare una visione dettagliata sul task di conteggio di oggetti attraverso la segmentazione prenderemo spunto dal modello c-ResUnet e vedendo come implementarlo con la libreria fastai.

Il corso è ideato per dare una visione dettagliata sul task di conteggio di oggetti attraverso la segmentazione prenderemo spunto dal modello c-ResUnet e vedendo come implementarlo con la libreria fastai.

Cosa Imparerai nel corso?

Cosa Imparerai nel corso?

In questo corso affronteremo il problema del conteggio di oggetti in immagini digitali.

Per fare questo, useremo immagini di microscopia in fluorescenza prese dal Fluorescent Neuronal Cells dataset e sfrutteremo una architettura di rete neurale sviluppata proprio per il conteggio di cellule, la c-ResUnet.

Dopo una panoramica generale sui possibili approcci al problema, andremo a presentare nel dettaglio il nostro use-case e le sfide che lo contraddistinguono.

Procederemo poi con una delle analisi esplorative per prendere confidenza con i dati e con gli strumenti software che utilizzeremo.

Nel secondo modulo, inizieremo con l’implementazione di tecniche di imaging classico che utilizzano un filtro adattivo, che useremo poi come baseline per un approccio basato su Deep Learning.

In particolare, dopo aver inquadrato il problema come un task di segmentazione semantica a 2 classi, presenteremo 3 architetture di rete neurale capaci di affrontare questo compito, unet, resunet e c-resunet.

Nella parte hands-on vedremo come implementare la c-ResUnet attraverso la libreria fastai e condurremo degli esperimenti con 3 loss function diverse: bce, focal e dice.

Infine, nell’ultimo modulo discuteremo di possibili strategie di valutazione dei risultati, risaltando le peculiarità di ciascuna e utilizzandole in maniera complementare per una valutazione a tutto tondo del nostro approccio.

In questo corso affronteremo il problema del conteggio di oggetti in immagini digitali.

Per fare questo, useremo immagini di microscopia in fluorescenza prese dal Fluorescent Neuronal Cells dataset e sfrutteremo una architettura di rete neurale sviluppata proprio per il conteggio di cellule, la c-ResUnet.

Dopo una panoramica generale sui possibili approcci al problema, andremo a presentare nel dettaglio il nostro use-case e le sfide che lo contraddistinguono.

Procederemo poi con una delle analisi esplorative per prendere confidenza con i dati e con gli strumenti software che utilizzeremo.

Nel secondo modulo, inizieremo con l’implementazione di tecniche di imaging classico che utilizzano un filtro adattivo, che useremo poi come baseline per un approccio basato su Deep Learning.

In particolare, dopo aver inquadrato il problema come un task di segmentazione semantica a 2 classi, presenteremo 3 architetture di rete neurale capaci di affrontare questo compito, unet, resunet e c-resunet.

Nella parte hands-on vedremo come implementare la c-ResUnet attraverso la libreria fastai e condurremo degli esperimenti con 3 loss function diverse: bce, focal e dice.

Infine, nell’ultimo modulo discuteremo di possibili strategie di valutazione dei risultati, risaltando le peculiarità di ciascuna e utilizzandole in maniera complementare per una valutazione a tutto tondo del nostro approccio.

Struttura delle lezioni

Struttura delle lezioni

Deep Learning Italia struttura le sue lezioni in maniera molto semplice: all’interno di ogni sezione ci sono video esplicativi, in cui il docente spiega la lezione, corredati da slides.

Il percorso di apprendimento solitamente è intervallato da test a risposta multipla e esercizi pratici che permettono di monitorare la comprensione degli argomenti di studio.

Deep Learning Italia struttura le sue lezioni in maniera molto semplice: all’interno di ogni sezione ci sono video esplicativi, in cui il docente spiega la lezione, corredati da slides.

Il percorso di apprendimento solitamente è intervallato da test a risposta multipla e esercizi pratici che permettono di monitorare la comprensione degli argomenti di studio.

Chi può seguire il corso?

Chi può seguire il corso?

Chi ha una mente aperta e predisposta all’analisi: le lezioni sono adatte a chiunque ma è necessario avere passione per i numeri e i calcoli, oltre che tanta pazienza.

Chi lavora anche full time: se sei un lavoratore full time non ti preoccupare! Potrai seguire le lezioni in completa autonomia nel tuo tempo libero.

Chi vuole crescere professionalmente: Se vuoi elevare la tua carriera Deep Learning Italia ti da l’opportunità di poterlo fare a costi contenuti.

Chi ha una mente aperta e predisposta all’analisi: le lezioni sono adatte a chiunque ma è necessario avere passione per i numeri e i calcoli, oltre che tanta pazienza.

Chi lavora anche full time: se sei un lavoratore full time non ti preoccupare! Potrai seguire le lezioni in completa autonomia nel tuo tempo libero.

Chi vuole crescere professionalmente: Se vuoi elevare la tua carriera Deep Learning Italia ti da l’opportunità di poterlo fare a costi contenuti.

Programma

Introduzione

  • Object counting in immagini
  • Approcci per object counting
  • Microscopia in fluorescenza e conteggio cellule

Dataset

  • Fluorescent Neuronal Cells dataset
  • Peculiarità e sfide

Analisi dati/Setup ambiente di lavoro

  • Setup ambiente di lavoro
  • EDA-1
  • EDA-2
  • Baseline non-ML
  • Convolutional Neural Networks
  • Semantic segmentation
  • Unet, ResUnet e c-ResUnet
  • Implementazione c-ResUnet-1
  • Implementazione c-ResUnet-2
  • Loss functions_ BCE, Focal e Dice
  • Augmentation
  • Training loop-1
  • Training loop-2
  • Esperimenti loss function_ BCE VS Focal VS Dice

Risultati

  • Valutazione performance
  • Ispezione visiva
  • Segmentation
  • Detection e counting

Conclusioni e quiz

  • Conclusioni e quiz

Certificato

Introduzione

  • Object counting in immagini
  • Approcci per object counting
  • Microscopia in fluorescenza e conteggio cellule

Dataset

  • Fluorescent Neuronal Cells dataset
  • Peculiarità e sfide

Analisi dati/Setup ambiente di lavoro

  • Setup ambiente di lavoro
  • EDA-1
  • EDA-2
  • Baseline non-ML
  • Convolutional Neural Networks
  • Semantic segmentation
  • Unet, ResUnet e c-ResUnet
  • Implementazione c-ResUnet-1
  • Implementazione c-ResUnet-2
  • Loss functions_ BCE, Focal e Dice
  • Augmentation
  • Training loop-1
  • Training loop-2
  • Esperimenti loss function_ BCE VS Focal VS Dice

Risultati

  • Valutazione performance
  • Ispezione visiva
  • Segmentation
  • Detection e counting

Conclusioni e quiz

  • Conclusioni e quiz

Certificato

Docenti
Luca Clissa
Descrizione Docenti

Luca Clissa

PhD in Data Science & Computation presso l’Università di Bologna. Statistico per formazione, la mia attività di ricerca si concentra sull’utilizzo di tecniche di analisi dati in applicazioni reali in ambito interdisciplinare. I progetti a cui ho collaborato riguardano computer vision, text processing, quantum computing e time series. Nel tempo libero, mi diletto a fare divulgazione condividendo spunti dalle mie attività di ricerca.

Vantaggi
  • Puoi seguire il corso dove e quando vuoi: Deep Learning, infatti, ti offre l’opportunità di accedere alla piattaforma in qualsiasi momento tu abbia voglia e possibilità di studiare. Basta semplicemente un dispositivo elettronico e una connessione internet!

  • Troverai sempre materiale nuovo e lezioni aggiornate: i nostri professori ti forniranno moltissimo materiale per supportare i tuoi studi e aggiorneranno periodicamente la piattaforma con nuove slides o con nuovi moduli;

  • Nei nostri corsi troverai sempre una componente interattiva per stimolare l‘apprendimento: giochi, quiz, podcast e tanto altro ti aiuteranno a migliorare e a rendere la tua formazione unica;

  • Non sarai mai solo! Avrai a disposizione la nostra community per metterti in contatto con altri studenti.

  • A fine percorso riceverai una certificazione che potrai aggiungere al tuo CV e che ti darà la possibilità di farti notare da grandi aziende del settore;

  • Se lo vorrai, Deep Learning Italia, ti potrà aiutare a trovare lavoro mettendoti in contatto con le nostre aziende partner.

  • Puoi seguire il corso dove e quando vuoi: Deep Learning, infatti, ti offre l’opportunità di accedere alla piattaforma in qualsiasi momento tu abbia voglia e possibilità di studiare. Basta semplicemente un dispositivo elettronico e una connessione internet!

  • Troverai sempre materiale nuovo e lezioni aggiornate: i nostri professori ti forniranno moltissimo materiale per supportare i tuoi studi e aggiorneranno periodicamente la piattaforma con nuove slides o con nuovi moduli;

  • Nei nostri corsi troverai sempre una componente interattiva per stimolare l‘apprendimento: giochi, quiz, podcast e tanto altro ti aiuteranno a migliorare e a rendere la tua formazione unica;

  • Non sarai mai solo! Avrai a disposizione la nostra community per metterti in contatto con altri studenti.

  • A fine percorso riceverai una certificazione che potrai aggiungere al tuo CV e che ti darà la possibilità di farti notare da grandi aziende del settore;

  • Se lo vorrai, Deep Learning Italia, ti potrà aiutare a trovare lavoro mettendoti in contatto con le nostre aziende partner.

  • Accesso al corso life long

  • Accesso al corso life long

Play Video
50,00 
Durata
4:41:00
Quiz
4
Accesso life long
si
Certificato
si
slide, github, dataset
si
esercitazioni
si
Prodotti Correlati
Torna in alto