从活体成像三维显微镜量化胰腺管状网络的拓扑结构
计算机视觉与模式识别
2023-06-29 v2 机器学习
摘要
受胰腺管状网络这一极具挑战性的分割任务驱动，本文解决了生物医学成像中两个常见问题：分割的拓扑一致性，以及标注昂贵或困难。我们的贡献如下：a) 我们提出一种拓扑评分，用于度量预测分割与真值分割之间的拓扑与几何一致性，并应用于模型选择与验证。b) 我们针对时序图像数据上这一困难的含噪任务提供了完整的深度学习方法论。在我们的方法中，我们首先使用一种适用于通用分割任务的半监督 U-net 架构，其联合训练一个自编码器与一个分割网络。然后我们利用环路随时间跟踪来进一步改善预测拓扑。这种半监督方法使我们能够利用未标注数据学习可泛化至具有高变异性的测试数据的特征表示，尽管我们的标注训练数据变异非常有限。我们的贡献在一个具挑战性的分割任务上得到验证：从含噪活体成像共聚焦显微镜中定位胎儿胰腺中的管状结构。我们展示我们的半监督模型不仅优于全监督与预训练模型，也优于一种在训练中考虑拓扑一致性的方法。此外，我们的方法在检测胎儿胰腺环路中取得了 0.808 的平均环路评分，而用 clDice 训练的 U-net 平均环路评分为 0.762。
引用
@article{arxiv.2105.09737,
title = {Quantifying Topology In Pancreatic Tubular Networks From Live Imaging 3D Microscopy},
author = {Kasra Arnavaz and Oswin Krause and Kilian Zepf and Jelena M. Krivokapic and Silja Heilmann and Jakob Andreas Bærentzen and Pia Nyeng and Aasa Feragen},
journal= {arXiv preprint arXiv:2105.09737},
year = {2023}
}
备注
Accepted for publication at the Journal of Machine Learning for Biomedical Imaging (MELBA) https://www.melba-journal.org/papers/2022:015.html"