SELMA3D挑战：基于自监督学习的3D光片显微镜图像分割
图像与视频处理
2025-01-14 v2 计算机视觉与模式识别
机器学习
摘要
光片显微镜的最新创新结合组织清除技术的最新进展，使得能够以细胞分辨率对大型哺乳动物组织进行3D成像。结合大规模数据分析的进展，这些创新使研究人员能够快速探究多样化生物样本的形态学和功能特性。分割是分析过程中的关键步骤，可使用特定于领域的深度学习模型实现自动化，性能可达专家水平。然而，这些模型对领域迁移（domain shift）高度敏感，当应用到训练分布之外的数据时，准确率会显著下降。为解决这一局限性，并受近期自监督学习在训练通用模型方面成功的启发，我们在2024年MICCAI会议期间组织了SELMA3D挑战。SELMA3D提供了来自已清除的小鼠和人脑的大量光片图像集合，包括35个大型3D图像（每个包含超过1000^3个体素）以及315个已标注的小块，用于微调、初步测试和最终测试。该数据集涵盖多种生物学结构，包括血管状结构和斑点状结构。五支队伍参与了挑战的全部阶段，其方法在本文中进行了评审。来自大多数参赛队伍的定量和定性结果表明，针对大规模数据集进行自监督学习可提高分割模型的性能和泛化能力。我们将继续支持并扩展SELMA3D，作为关注自监督学习用于3D显微镜图像分割的首个MICCAI挑战。
引用
@article{arxiv.2501.03880,
title = {SELMA3D challenge: Self-supervised learning for 3D light-sheet microscopy image segmentation},
author = {Ying Chen and Rami Al-Maskari and Izabela Horvath and Mayar Ali and Luciano Hoher and Kaiyuan Yang and Zengming Lin and Zhiwei Zhai and Mengzhe Shen and Dejin Xun and Yi Wang and Tony Xu and Maged Goubran and Yunheng Wu and Kensaku Mori and Johannes C. Paetzold and Ali Erturk},
journal= {arXiv preprint arXiv:2501.03880},
year = {2025}
}
备注
2st version