μ-Net: A Deep Learning-Based Architecture for μ-CT Segmentation

要約

X 線コンピューターマイクロトモグラフィー ({\μ}-CT) は、医療サンプルや生物学的サンプルの内部解剖学的構造の高解像度 3D 画像を生成できる非破壊技術です。
これらの画像により、臨床医は内部の解剖学的構造を検査し、病気や解剖学的形態についての洞察を得ることができます。
ただし、3D 画像から関連情報を抽出するには、関心領域のセマンティック セグメンテーションが必要ですが、これは通常手動で行われ、時間がかかり退屈になります。
この研究では、畳み込みニューラル ネットワーク (CNN) を使用して、Carassius auratus の心臓の完全な形態を自動的にセグメント化する新しいフレームワークを提案します。
このフレームワークは、サンプルの 3D セグメンテーションを推論できる最適化された 2D CNN アーキテクチャを採用しており、3D CNN アーキテクチャの高い計算コストを回避します。
私たちは、データの正規化と処理のための標準プロトコルを提案することで、大規模で高解像度の画像データ (各次元で 1,000 ピクセル以上) と小規模なトレーニング データベース (わずか 3 つのサンプル) を処理するという課題に取り組みます。
さらに、サンプルのノイズ、コントラスト、空間解像度とアーキテクチャのトレーニングが、入力画像の数に依存する再構成技術によってどのような影響を受けるかを調査します。
実験の結果、私たちのフレームワークにより、新しいサンプルのセグメント化に必要な時間が大幅に短縮され、Carassius auratus の心臓形状のマイクロトモグラフィー解析が高速化できることがわかりました。
さらに、私たちのフレームワークは、高解像度で小さいデータセット サイズを持つ {\mu}-CT からのあらゆる生体画像 (生物学的および医療的) を処理できます。

要約(オリジナル)

X-ray computed microtomography ({\mu}-CT) is a non-destructive technique that can generate high-resolution 3D images of the internal anatomy of medical and biological samples. These images enable clinicians to examine internal anatomy and gain insights into the disease or anatomical morphology. However, extracting relevant information from 3D images requires semantic segmentation of the regions of interest, which is usually done manually and results time-consuming and tedious. In this work, we propose a novel framework that uses a convolutional neural network (CNN) to automatically segment the full morphology of the heart of Carassius auratus. The framework employs an optimized 2D CNN architecture that can infer a 3D segmentation of the sample, avoiding the high computational cost of a 3D CNN architecture. We tackle the challenges of handling large and high-resoluted image data (over a thousand pixels in each dimension) and a small training database (only three samples) by proposing a standard protocol for data normalization and processing. Moreover, we investigate how the noise, contrast, and spatial resolution of the sample and the training of the architecture are affected by the reconstruction technique, which depends on the number of input images. Experiments show that our framework significantly reduces the time required to segment new samples, allowing a faster microtomography analysis of the Carassius auratus heart shape. Furthermore, our framework can work with any bio-image (biological and medical) from {\mu}-CT with high-resolution and small dataset size

arxiv情報

提供元, 利用サービス

arxiv.jp, Google