Sélectionner des étiquettes en utilisant l’apprentissage automatique

apoc permet de sélectionner des objets étiquetés selon des propriétés telles que la taille, la forme et l’intensité dans une image correspondante. Dans cet exemple, nous allons sélectionner des objets allongés à partir d’une segmentation d’instance de taches.

import apoc

from skimage.io import imread
import pyclesperanto_prototype as cle
import numpy as np

cle.select_device('RTX')

<NVIDIA GeForce RTX 3050 Ti Laptop GPU on Platform: NVIDIA CUDA (1 refs)>

image = imread('../../data/blobs.tif')
labels = cle.label(cle.threshold_otsu(image))
annotation = imread('../../data/label_annotation.tif')

cle.imshow(image)
cle.imshow(labels, labels=True)
cle.imshow(annotation, labels=True)

Entraînement

Pour entraîner le classificateur, vous devez spécifier des caractéristiques. Dans ce qui suit, nous utilisons l’intensité moyenne et l’écart-type à l’intérieur des objets étiquetés, ainsi que la taille et la forme des objets.

features = 'area,mean_max_distance_to_centroid_ratio,standard_deviation_intensity'

cl_filename = "object_selector.cl"

# Create an object classifier
apoc.erase_classifier(cl_filename) # delete it if it was existing before
classifier = apoc.ObjectSelector(cl_filename, positive_class_identifier=1)

# train it
classifier.train(features, labels, annotation, image)

Prédiction

Une fois le classificateur entraîné, nous pouvons l’utiliser pour sélectionner des objets.

result = classifier.predict(labels, image)

print(result.max())

cle.imshow(result, labels=True)

23.0

On peut également charger le classificateur à partir du disque et l’appliquer à un autre jeu de données. Nous démontrons cela en appliquant le classificateur à une version pivotée de l’image et de l’image d’étiquettes ci-dessus.

image1 = image.T
labels1 = cle.label(cle.threshold_otsu(image1))

classifier = apoc.ObjectSelector(cl_filename)

result = classifier.predict(labels1, image1)

print(result.max())

cle.imshow(result, labels=True)

23.0

Après l’entraînement, nous pouvons demander au classificateur l’importance des caractéristiques lors de la prédiction.

classifier.feature_importances()

{'area': 0.29573084473661354,
 'mean_max_distance_to_centroid_ratio': 0.4264564597125618,
 'standard_deviation_intensity': 0.27781269555082466}

Exercice

Utilisez le code et les images d’exemple ci-dessus pour entraîner un classificateur qui sélectionne tous les petits objets dans l’image d’étiquettes.