基于深度学习的超声数据小鼠胚胎脑室与身体自动分割及突变体分类
图像与视频处理
2019-09-25 v1 计算机视觉与模式识别
摘要
高频超声（HFU）非常适合对胚胎小鼠进行活体成像，因为它具有非侵入性和实时性。从三维 HFU 图像中手动分割脑室（BVs）和全身耗时且需要专业训练。本文提出了一种基于深度学习的分割流程，将当前为研究发育中小鼠胚胎基因突变而执行的若干耗时、重复性任务自动化。具体而言，尽管由于胚胎位置和形状变化以及成像伪影带来显著挑战，该流程仍能从小鼠胚胎的三维 HFU 图像中准确分割 BV 和身体区域。基于 BV 分割，进一步训练了一个三维卷积神经网络（CNN）来检测带有 Engrailed-1（En1）突变的胚胎。算法在 BV 和身体分割上分别达到 0.896 和 0.925 的 Dice 相似系数（DSC），突变体分类准确率为 95.8%。通过对训练后的分类器进行基于梯度的审视与可视化，表明该模型聚焦于已知受 En1 突变影响的形态结构。
引用
@article{arxiv.1909.10555,
title = {Automatic Mouse Embryo Brain Ventricle & Body Segmentation and Mutant Classification From Ultrasound Data Using Deep Learning},
author = {Ziming Qiu and Nitin Nair and Jack Langerman and Orlando Aristizabal and Jonathan Mamou and Daniel H. Turnbull and Jeffrey A. Ketterling and Yao Wang},
journal= {arXiv preprint arXiv:1909.10555},
year = {2019}
}
备注
4 pages, 6 figures, the 2019 IEEE International Ultrasonics Symposium