Integration of cloud services for storage and processing of cryomicroscopic images: practical experience using MINIO and CVAT
Uložené v:
| Názov: | Integration of cloud services for storage and processing of cryomicroscopic images: practical experience using MINIO and CVAT |
|---|---|
| Zdroj: | Radiotekhnika; No. 221 (2025): Радіотехніка; 83-88 Радиотехника; № 221 (2025): Радіотехніка; 83-88 Радіотехніка; № 221 (2025): Радіотехніка; 83-88 |
| Informácie o vydavateľovi: | Kharkiv National University of Radio Electronics, 2025. |
| Rok vydania: | 2025 |
| Predmety: | хмарні сервіси, segmentation, кріомікроскопія, обробка зображень, здоров'я людини, human health, cryomicroscopy, сегментація, image processing, cloud services |
| Popis: | In modern biomedical science, the efficient processing of large volumes of visual data is critically important for analyzing cellular structures. This abstract describes practical experience integrating the MinIO and CVAT cloud services to automate the processes of storage, annotation, and analysis of cryo-microscopy images. The application of these tools enhances the accuracy of cell segmentation, ensures scalability, and improves the reproducibility of research. Cryo-microscopy is a powerful method for visualizing biological samples at the nanoscale. However, processing the resulting images requires significant computational resources and effective tools for data storage and analysis. Integrating cloud services, such as the MinIO for data storage and the CVAT for annotation, optimizes these processes. Cryo-microscopy images were collected from various sources and stored in the MinIO cloud storage, providing reliable and scalable access to the data. The CVAT tool was used for precise delineation of cellular structures. The annotation process involved manual or semi-automatic marking of regions of interest in the images, which is critically important for training artificial intelligence models. The annotated images were prepared for training deep learning models, such as the U-Net and Mask R-CNN, which have proven effective in image segmentation tasks. The models were trained on the annotated data using the TensorFlow and PyTorch libraries. After training, the models were applied to automatic segmentation of new cryo-microscopy images. The inference results were compared with manual annotations to assess the accuracy and reliability of the models. Integration with the Jupyter Notebook enabled researchers to interactively analyze inference results and generate analytical reports. Integrating the MinIO and CVAT cloud services into the cryo-microscopy image processing workflow significantly enhances the efficiency and accuracy of cellular structure analysis. The use of modern technologies and tools facilitates the process automation, ensures scalability and reproducibility of research, which is an important step in advancing biomedical research and improving diagnostics. У сучасній біомедичній науці ефективна обробка великих обсягів візуальних даних є критично важливою для аналізу клітинних структур. У статті описано практичний досвід інтеграції хмарних сервісів MinIO та CVAT для автоматизації процесів зберігання, анотації та аналізу кріомікроскопічних зображень. Застосування цих інструментів дозволяє підвищити точність сегментації клітин, забезпечити масштабованість та відтворюваність досліджень. Кріомікроскопія є потужним методом візуалізації біологічних зразків на нанорівні. Однак обробка отриманих зображень вимагає значних обчислювальних ресурсів та ефективних інструментів для зберігання та аналізу даних. Інтеграція хмарних сервісів, таких як MinIO для зберігання даних та CVAT для анотації, дозволяє оптимізувати ці процеси. Кріомікроскопічні зображення було зібрано з різних джерел та збережено у хмарному сховищі MinIO, що забезпечує надійний та масштабований доступ до даних. Для точного виділення клітинних структур використовувався інструмент CVAT. Процес анотації включав ручне або напівавтоматичне позначення областей інтересу на зображеннях, що є критично важливим для навчання моделей штучного інтелекту. Розмічені зображення були підготовлені для навчання моделей глибокого навчання, таких як U-Net та Mask R-CNN, які зарекомендували себе в задачах сегментації зображень. Моделі навчались на розмічених даних з використанням бібліотек TensorFlow та PyTorch. Після навчання моделі застосовувались для автоматичної сегментації нових кріомікроскопічних зображень. Результати інференсу порівнювались з ручними анотаціями для оцінки точності та надійності моделей. Інтеграція з Jupyter Notebook дозволила дослідникам інтерактивно аналізувати результати інференсу та будувати аналітичні звіти. Інтеграція хмарних сервісів MinIO та CVAT у процес обробки кріомікроскопічних зображень дозволяє значно підвищити ефективність та точність аналізу клітинних структур. Використання сучасних технологій та інструментів сприяє автоматизації процесів, забезпечує масштабованість та відтворюваність досліджень, що є важливим кроком у розвитку біомедичних досліджень та покращенні діагностики. |
| Druh dokumentu: | Article |
| Popis súboru: | application/pdf |
| Jazyk: | Ukrainian |
| ISSN: | 0485-8972 2786-5525 |
| Prístupová URL adresa: | http://rt.nure.ua/article/view/335704 |
| Prístupové číslo: | edsair.scientific.p..6de46b5152f803c3df79e49e23a7e983 |
| Databáza: | OpenAIRE |
Nájsť tento článok vo Web of Science | Abstrakt: | In modern biomedical science, the efficient processing of large volumes of visual data is critically important for analyzing cellular structures. This abstract describes practical experience integrating the MinIO and CVAT cloud services to automate the processes of storage, annotation, and analysis of cryo-microscopy images. The application of these tools enhances the accuracy of cell segmentation, ensures scalability, and improves the reproducibility of research. Cryo-microscopy is a powerful method for visualizing biological samples at the nanoscale. However, processing the resulting images requires significant computational resources and effective tools for data storage and analysis. Integrating cloud services, such as the MinIO for data storage and the CVAT for annotation, optimizes these processes. Cryo-microscopy images were collected from various sources and stored in the MinIO cloud storage, providing reliable and scalable access to the data. The CVAT tool was used for precise delineation of cellular structures. The annotation process involved manual or semi-automatic marking of regions of interest in the images, which is critically important for training artificial intelligence models. The annotated images were prepared for training deep learning models, such as the U-Net and Mask R-CNN, which have proven effective in image segmentation tasks. The models were trained on the annotated data using the TensorFlow and PyTorch libraries. After training, the models were applied to automatic segmentation of new cryo-microscopy images. The inference results were compared with manual annotations to assess the accuracy and reliability of the models. Integration with the Jupyter Notebook enabled researchers to interactively analyze inference results and generate analytical reports. Integrating the MinIO and CVAT cloud services into the cryo-microscopy image processing workflow significantly enhances the efficiency and accuracy of cellular structure analysis. The use of modern technologies and tools facilitates the process automation, ensures scalability and reproducibility of research, which is an important step in advancing biomedical research and improving diagnostics.<br />У сучасній біомедичній науці ефективна обробка великих обсягів візуальних даних є критично важливою для аналізу клітинних структур. У статті описано практичний досвід інтеграції хмарних сервісів MinIO та CVAT для автоматизації процесів зберігання, анотації та аналізу кріомікроскопічних зображень. Застосування цих інструментів дозволяє підвищити точність сегментації клітин, забезпечити масштабованість та відтворюваність досліджень. Кріомікроскопія є потужним методом візуалізації біологічних зразків на нанорівні. Однак обробка отриманих зображень вимагає значних обчислювальних ресурсів та ефективних інструментів для зберігання та аналізу даних. Інтеграція хмарних сервісів, таких як MinIO для зберігання даних та CVAT для анотації, дозволяє оптимізувати ці процеси. Кріомікроскопічні зображення було зібрано з різних джерел та збережено у хмарному сховищі MinIO, що забезпечує надійний та масштабований доступ до даних. Для точного виділення клітинних структур використовувався інструмент CVAT. Процес анотації включав ручне або напівавтоматичне позначення областей інтересу на зображеннях, що є критично важливим для навчання моделей штучного інтелекту. Розмічені зображення були підготовлені для навчання моделей глибокого навчання, таких як U-Net та Mask R-CNN, які зарекомендували себе в задачах сегментації зображень. Моделі навчались на розмічених даних з використанням бібліотек TensorFlow та PyTorch. Після навчання моделі застосовувались для автоматичної сегментації нових кріомікроскопічних зображень. Результати інференсу порівнювались з ручними анотаціями для оцінки точності та надійності моделей. Інтеграція з Jupyter Notebook дозволила дослідникам інтерактивно аналізувати результати інференсу та будувати аналітичні звіти. Інтеграція хмарних сервісів MinIO та CVAT у процес обробки кріомікроскопічних зображень дозволяє значно підвищити ефективність та точність аналізу клітинних структур. Використання сучасних технологій та інструментів сприяє автоматизації процесів, забезпечує масштабованість та відтворюваність досліджень, що є важливим кроком у розвитку біомедичних досліджень та покращенні діагностики. |
|---|---|
| ISSN: | 04858972 27865525 |