用于三维层析图像中生物样本定位的自监督学习
计算机视觉与模式识别
2023-01-12 v2 机器学习
摘要
在基于同步辐射的计算机断层扫描（CT）中，空间分辨率、视场以及样本定位和对准速度之间存在权衡。对于高通量断层扫描——一种能够无需人工干预自动扫描大批样本的装置——该问题更为突出。因此，在许多应用中，重建体积仅有 20–30% 包含实际样本。这种数据冗余会占用存储空间并增加处理时间。因而，自动化样本定位成为一个重要实际问题。在本工作中，我们描述了为生物 CT 设计的两种自监督损失。我们进一步展示了如何利用不确定性估计进行样本定位。该方法能够以小于 1.5% 的相对误差定位样本，并将所用存储减少为原来的四分之一。我们还表明，所提损失之一作为语义分割的预训练任务效果相当好。
引用
@article{arxiv.2011.03353,
title = {Self-Supervised Learning for Biological Sample Localization in 3D Tomographic Images},
author = {Yaroslav Zharov and Alexey Ershov and Tilo Baumbach and Vincent Heuveline},
journal= {arXiv preprint arXiv:2011.03353},
year = {2023}
}