面向分割与基准测试的 3D 荧光显微镜数据合成
图像与视频处理
2022-01-19 v1 计算机视觉与模式识别
摘要
自动化图像处理方法对许多生物医学实验不可或缺，并有助于以快速可复现的方式应对日益增长的显微镜图像数据量。尤其是最先进的基于深度学习的方法大多需要大量标注训练数据以产生准确且通用的输出，但它们常受限于此类标注数据集的普遍匮乏。本工作中，我们提出如何利用条件生成对抗网络从 3D 细胞结构的标注掩码生成逼真的 3D 荧光显微镜图像数据。结合掩码模拟方法，我们展示了完全标注 3D 显微镜数据集的生成，并将其公开以供训练或基准测试。对细胞结构附加位置条件化可实现位置相关强度特征的重建，并允许生成不同质量等级的图像数据。采用分块处理原则与后续全尺寸重组策略以生成任意尺寸与不同生物体的图像数据。我们将其呈现为全自动生成完全标注训练数据集的概念验证，仅需最少人工交互以缓解人工标注之需。
引用
@article{arxiv.2107.10180,
title = {3D fluorescence microscopy data synthesis for segmentation and benchmarking},
author = {Dennis Eschweiler and Malte Rethwisch and Mareike Jarchow and Simon Koppers and Johannes Stegmaier},
journal= {arXiv preprint arXiv:2107.10180},
year = {2022}
}