利用生物物理模型驱动的 3D 深度学习分割提升
图像与视频处理
2024-08-30 v1 计算机视觉与模式识别
摘要
生物医学研究越来越依赖于 3D 细胞培养模型，AI 基础的分析可能有助于在单个细胞水平上进行详细且准确的特征提取。然而，这需要对 3D 细胞数据集进行精确的分割，从而要求训练数据具备高质量的真实标签。手动标注作为真实标签的黄金标准，因耗时过长而难以大规模生成 3D 训练数据集。为此，我们提出一种新型框架，用于生成 3D 训练数据，集成生物物理建模以实现真实的细胞形状和对齐方式。我们的ethods允许基于静电的生物物理模型生成连贯的膜和核信号，从而支持同时利用多个通道进行分割模型训练以提升性能。此外，我们提出了一种新的 GAN 训练方案，不仅生成图像数据，还生成匹配的标签。定量评估表明，生物物理驱动的合成训练数据表现优于手动标注和预训练模型。这凸显了纳入生物物理建模以提升合成训练数据质量的潜力。
引用
@article{arxiv.2408.16471,
title = {Improving 3D deep learning segmentation with biophysically motivated cell synthesis},
author = {Roman Bruch and Mario Vitacolonna and Elina Nürnberg and Simeon Sauer and Rüdiger Rudolf and Markus Reischl},
journal= {arXiv preprint arXiv:2408.16471},
year = {2024}
}