基于深度学习的显微计算机断层扫描人骨软骨组织潮线分割
图像与视频处理
2019-07-12 v1 计算机视觉与模式识别
摘要
关节软骨（AC）中病理特征的三维（3D）半定量分级为骨关节炎（OA）的基础研究带来显著改进。我们早前开发了用于 AC 及其结构成像的 3D 协议，包括用造影剂（磷钨酸，PTA）对样本染色，随后用显微计算机断层扫描进行扫描。该协议旨在提供 X 射线衰减对比以可视化 AC 结构。然而，与此同时，该协议有一个主要缺点：潮线（钙化软骨界面，CCI）处对比度丢失。CCI 的准确分割对于理解 OA 病因及 OA 早期阶段潮线状况的离体评估非常重要。本文中，我们首次将深度学习应用于 PTA 染色的骨软骨样本，以全自动化方式实现潮线分割。我们的方法基于用二元交叉熵与软 Jaccard 损失组合训练的 U-Net。在交叉验证中，该方法在潮线周围 15 {\mu}m、30 {\mu}m、45 {\mu}m、60 {\mu}m 和 75 {\mu}m 填充区域内分别获得了 0.59、0.70、0.79、0.83 和 0.86 的交并比。我们的代码及由 35 个 PTA 染色人 AC 样本组成的数据集与分割掩码一并公开，以促进生物医学图像分割方法的发展。
引用
@article{arxiv.1907.05089,
title = {Deep-Learning for Tidemark Segmentation in Human Osteochondral Tissues Imaged with Micro-computed Tomography},
author = {Aleksei Tiulpin and Mikko Finnilä and Petri Lehenkari and Heikki J. Nieminen and Simo Saarakkala},
journal= {arXiv preprint arXiv:1907.05089},
year = {2019}
}