μ-Net：基于深度学习的μ-CT分割架构
图像与视频处理
2024-06-25 v1 计算机视觉与模式识别
摘要
X射线计算微型断层扫描（μ-CT）是一种可生成医学和生物样品内部解剖结构高分辨率三维图像的非破坏性技术。这些图像使临床医生能够检查内部解剖结构并获得疾病或解剖形态学的见解。然而，从三维图像中提取相关信息需要对感兴趣的区域进行语义分割，这通常需要手动操作，导致耗时且繁琐。本文提出了一种新框架，使用卷积神经网络（CNN）自动分割Carassius auratus心脏的完整形态学。该框架采用优化后的二维CNN架构，可推断样品的三维分割，避免了二维CNN架构的高计算成本。我们通过提出标准化的数据规范化和处理协议，解决了处理大规模高分辨率图像数据（每个维度超过千像素）和小型训练数据库（仅三个样本）的挑战。此外，我们研究了重建技术（取决于输入图像数量）对噪声、对比度和样本空间分辨率以及网络训练的影响。实验表明，该框架显著减少了对新样本进行分割所需的时间，使Carassius auratus心脏形状的微型断层扫描分析更加快速。 Furthermore, our framework can work with any bio-image (biological and medical) from {\mu}-CT with high-resolution and small dataset size
引用
@article{arxiv.2406.16724,
title = {{\mu}-Net: A Deep Learning-Based Architecture for {\mu}-CT Segmentation},
author = {Pierangela Bruno and Edoardo De Rose and Carlo Adornetto and Francesco Calimeri and Sandro Donato and Raffaele Giuseppe Agostino and Daniela Amelio and Riccardo Barberi and Maria Carmela Cerra and Maria Caterina Crocco and Mariacristina Filice and Raffaele Filosa and Gianluigi Greco and Sandra Imbrogno and Vincenzo Formoso},
journal= {arXiv preprint arXiv:2406.16724},
year = {2024}
}