数据合成改善三维肌管实例分割
计算机视觉与模式识别
2026-04-17 v1
摘要
肌管是作为研究肌肉生理学、疾病机制和药物反应的关键模型系统的多核肌纤维。因此，机制研究和药物筛选依赖于定量形态学读数（如直径、长度和分支度），这进而需要精确的三维实例分割。然而，由于缺乏大型标注肌管数据集，现有的预训练生物医学分割模型无法泛化到该领域。我们引入了一种几何驱动的合成流水线，通过多项式中心线、局部变化的半径、分支结构以及源自真实显微观察的椭球形端帽来对单个肌管进行建模。合成体数据通过逼真的噪声、光学伪影和基于 CycleGAN 的领域适应（DA）进行渲染。一个具有自监督编码器预训练的紧凑型 3D U-Net，仅在合成数据上训练，在真实数据上达到了 0.22 的平均 IPQ，显著优于三个现有的零样本分割模型，证明了生物物理驱动的合成能够在标注稀缺的生物医学领域实现有效的实例分割。
引用
@article{arxiv.2604.14720,
title = {Data Synthesis Improves 3D Myotube Instance Segmentation},
author = {David Exler and Nils Friederich and Martin Krüger and John Jbeily and Mario Vitacolonna and Rüdiger Rudolf and Ralf Mikut and Markus Reischl},
journal= {arXiv preprint arXiv:2604.14720},
year = {2026}
}
备注
4 pages, 4 figures, submitted to BMT (VDE) 2026 Conference