利用卷积神经网络与 PointNet 在 3D+T 显微图像中实现胚胎阶段自动判定
图像与视频处理
2020-07-30 v3 计算机视觉与模式识别
细胞行为
摘要
不同胚胎发育阶段的自动分析与比较很大程度上依赖于所研究数据集高度准确的时空对齐。本文中，我们评估了多种用于发育中胚胎自动分期的方案，这些胚胎通过时间分辨的 3D 光片显微术成像。方法包括基于图像的卷积神经网络，以及一种基于 PointNet 架构、直接作用于检测到的细胞核质心 3D 点云的方法。对四个野生型斑马鱼胚胎的实验表明，两种方法均适用于自动分期，平均偏差为 21–34 分钟。此外，基于模拟的 3D+t 点云数据集的概念验证评估显示，平均偏差小于 7 分钟是可能的。
引用
@article{arxiv.1910.00443,
title = {Towards Automatic Embryo Staging in 3D+T Microscopy Images using Convolutional Neural Networks and PointNets},
author = {Manuel Traub and Johannes Stegmaier},
journal= {arXiv preprint arXiv:1910.00443},
year = {2020}
}
备注
10 pages, 3 figures, 1 table, accepted paper at the Simulation and Synthesis in Medical Imaging (SASHIMI) Workshop held at MICCAI 2020