Voglio elaborare immagini di microscopia segmentate automaticamente per rilevare immagini difettose e / o segmentazioni difettose, come parte di una pipeline di imaging ad alta produttività. C'è una serie di parametri che possono essere calcolati per ogni immagine grezza e segmentazione e che diventano "estremi" quando l'immagine è difettosa. Ad esempio, una bolla nell'immagine provocherà anomalie come dimensioni enormi in una delle "celle" rilevate o un conteggio delle celle anomalo basso per l'intero campo. Sto cercando un modo efficace per rilevare questi casi anomali. Idealmente, preferirei un metodo che abbia le seguenti proprietà (approssimativamente in ordine di desiderabilità):
non richiede soglie assolute predefinite (sebbene le percentuali predefinite siano OK);
non richiede di avere tutti i dati in memoria o di aver visto tutti i dati; sarebbe OK che il metodo fosse adattivo e aggiornasse i suoi criteri quando vedeva più dati; (ovviamente, con una piccola probabilità, possono verificarsi anomalie prima che il sistema abbia visto abbastanza dati e ci mancheranno, ecc.)
è parallelizzabile: ad esempio in un primo round, molti nodi che lavorano in parallelo producono anomalie candidate intermedie, che subiscono quindi un secondo round di selezione dopo il completamento del primo round.
Le anomalie che sto cercando non sono sottili. Sono del tipo che sono chiaramente evidenti se si guarda un istogramma dei dati. Ma il volume di dati in questione e l'obiettivo finale di eseguire questo rilevamento di anomalie in tempo reale mentre vengono generate le immagini, preclude qualsiasi soluzione che richiederebbe l'ispezione degli istogrammi da parte di un valutatore umano.
Grazie!