Perspectives: Comparison of Deep Learning Segmentation Models on Biophysical and Biomedical Data

要約

現在、深い学習ベースのアプローチは、画像セグメンテーション、機能選択、デコンボリューションなどのさまざまなタスクを自動化するために、生物物理学を通じて広く使用されています。
ただし、それぞれ独自の利点と欠点を備えた複数の競合する深い学習アーキテクチャの存在により、特定のアプリケーションに最適なアーキテクチャを選択するのが難しくなります。
そのため、共通モデルの包括的な比較を示します。
ここでは、生物物理学の実験から利用可能な通常の小さなトレーニングデータセットサイズを仮定してセグメンテーションのタスクに焦点を当て、次の4つの一般的に使用されるアーキテクチャを比較します：畳み込みニューラルネットワーク、U-Net、ビジョントランス、ビジョン状態空間モデル。
そうすることで、各モデルが優れている最適な条件を決定するための基準を確立し、それにより、分野の研究者と実践者に実用的なガイドラインを提供します。

要約(オリジナル)

Deep learning based approaches are now widely used across biophysics to help automate a variety of tasks including image segmentation, feature selection, and deconvolution. However, the presence of multiple competing deep learning architectures, each with its own unique advantages and disadvantages, makes it challenging to select an architecture best suited for a specific application. As such, we present a comprehensive comparison of common models. Here, we focus on the task of segmentation assuming the typically small training dataset sizes available from biophysics experiments and compare the following four commonly used architectures: convolutional neural networks, U-Nets, vision transformers, and vision state space models. In doing so, we establish criteria for determining optimal conditions under which each model excels, thereby offering practical guidelines for researchers and practitioners in the field.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google