利用几何评估驱动拓扑平滑 (GATS) 改进三维轴突分割与中心线检测中的拓扑保持
图像与视频处理
2023-11-08 v1
摘要
通过全监督学习进行自动轴突追踪需要大量的三维脑图像数据，获取过程耗时且费力，并且需要专业知识。因此，需要与自动标注工具结合使用的更高效的分割和中心线检测技术。保拓扑方法确保分割分量保持几何连通性，这对于使用体数据的应用尤其有意义，并且这些方法常利用形态学细化算法，因为细化输出可用于曲线结构的分割和中心线检测。当前与保拓扑方法结合使用的形态学细化方法易于过度细化，且需要手动配置超参数。我们提出了一种自动形态学平滑方法，利用对脑显微体积中管状结构半径的几何评估，并应用平均池化以防止过度细化。我们使用该方法构造了一个损失函数，称之为几何评估驱动拓扑平滑损失，或 GATS。我们的方法在多个数据集上将分割和中心线检测评价指标提高了 2%–5%，并将 Betti 错误率降低了 9%。我们的消融研究表明，管状结构的几何评估获得了更高的分割和中心线检测分数，并且用平均池化进行形态学平滑替代细化算法减少了 Betti 错误。我们观察到在采用 GATS 训练的模型对三维轴突体积进行自动标注时拓扑保持得到增强。
引用
@article{arxiv.2311.04116,
title = {Improved Topological Preservation in 3D Axon Segmentation and Centerline Detection using Geometric Assessment-driven Topological Smoothing (GATS)},
author = {Nina I. Shamsi and Alex S. Xu and Lars A. Gjesteby and Laura J. Brattain},
journal= {arXiv preprint arXiv:2311.04116},
year = {2023}
}