用于电子显微镜体数据中线粒体分割的稳定深度神经网络架构
图像与视频处理
2023-10-03 v2 计算机视觉与模式识别
摘要
电子显微镜（EM）可识别线粒体等细胞内细胞器，为临床与科学研究提供见解。近年来，许多新型深度学习架构被发表，报道其在公开线粒体分割数据集上相较以往方法具有更优性能甚至达到人类水平精度。遗憾的是，这些发表物中许多既未公开代码也未公开完整训练细节以支撑所得结果，导致可复现性问题与可疑的模型比较。为此，并遵循近期报告实验结果的最佳实践准则，我们对用于 EM 体数据中线粒体分割的最先进深度学习架构进行了广泛研究，并评估了不同变体的 2D 与 3D 类 U-Net 模型对该任务性能的影响。为更好理解各组件的贡献，我们为每种方法实现并测试了一组通用的前处理与后处理操作。此外，我们对所有架构进行了详尽的超参数值扫描，且每种配置均多次运行以报告评估指标的均值与标准差。采用该方法，我们发现了在知名 EPFL 海马体线粒体分割数据集上稳定一致取得最先进结果的架构与超参数配置。进而，我们在另两个可用数据集 Lucchi++ 和 Kasthuri++ 上对所提模型进行了基准测试，其性能均超越以往所有工作。本研究衍生的代码及其文档已公开可用。
引用
@article{arxiv.2104.03577,
title = {Stable deep neural network architectures for mitochondria segmentation on electron microscopy volumes},
author = {Daniel Franco-Barranco and Arrate Muñoz-Barrutia and Ignacio Arganda-Carreras},
journal= {arXiv preprint arXiv:2104.03577},
year = {2023}
}