Terabyte-scale supervised 3D training and benchmarking dataset of the mouse kidney

要約

機械学習アルゴリズムのパフォーマンスは、3D 生体医学画像のセグメント化に使用される場合、2D 写真で達成された結果に基づいて期待されるレベルに達しません。
これは、最先端の画像処理設備、アノテーション用の専門家、大規模な計算リソースと個人リソースを必要とする、大量かつ高品質のトレーニング データセットが比較的不足していることによって説明される可能性があります。
この研究で提示された HR-腎臓 データセットは、マウス腎臓全体のアーティファクト補正された放射光ベースの X 線位相コントラスト マイクロトモグラフィー画像と 33 729 個の糸球体の検証済みセグメンテーションを 1.7 TB 提供することで、このギャップを埋めます。これは、現在利用可能な生物医学データセットよりも 1 ～ 2 桁の増加に相当します。
画像セットには、基礎となる生データ、腎血管系と尿細管の閾値および形態ベースの半自動セグメンテーション、および真の 3D 手動注釈も含まれています。
これにより、科学コミュニティが画像処理、データ拡張、機械学習、特に教師なしおよび半教師あり学習の研究、転移学習や敵対的生成ネットワークの分野を構築および拡大するための幅広い基盤を提供します。

要約(オリジナル)

The performance of machine learning algorithms, when used for segmenting 3D biomedical images, does not reach the level expected based on results achieved with 2D photos. This may be explained by the comparative lack of high-volume, high-quality training datasets, which require state-of-the-art imaging facilities, domain experts for annotation and large computational and personal resources. The HR-Kidney dataset presented in this work bridges this gap by providing 1.7 TB of artefact-corrected synchrotron radiation-based X-ray phase-contrast microtomography images of whole mouse kidneys and validated segmentations of 33 729 glomeruli, which corresponds to a one to two orders of magnitude increase over currently available biomedical datasets. The image sets also contain the underlying raw data, threshold- and morphology-based semi-automatic segmentations of renal vasculature and uriniferous tubules, as well as true 3D manual annotations. We therewith provide a broad basis for the scientific community to build upon and expand in the fields of image processing, data augmentation and machine learning, in particular unsupervised and semi-supervised learning investigations, as well as transfer learning and generative adversarial networks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google