Self-Supervised Learning for Biological Sample Localization in 3D Tomographic Images

要約

シンクロトロンベースのコンピューター断層撮影法 (CT) では、空間分解能、視野、およびサンプルの位置決めと位置合わせの速度の間にトレードオフがあります。
この問題は、人間の介入なしに大量のサンプルをスキャンできる自動化されたセットアップであるハイスループット断層撮影ではさらに顕著です。
その結果、多くのアプリケーションでは、再構成されたボリュームの 20 ～ 30% のみに実際のサンプルが含まれています。
このようなデータの冗長性は、ストレージを乱雑にし、処理時間を増加させます。
したがって、自動化されたサンプルのローカリゼーションは重要な実用的な問題になります。
この作業では、生物学的 CT 用に設計された 2 つの自己管理型損失について説明します。
さらに、サンプルのローカリゼーションに不確実性推定を採用する方法を示します。
このアプローチは、1.5\% 未満の相対誤差でサンプルをローカライズし、使用されるストレージを 4 分の 1 に削減する能力を示しています。
また、提案された損失の 1 つがセマンティック セグメンテーションの事前トレーニング タスクとして適切に機能することも示します。

要約(オリジナル)

In synchrotron-based Computed Tomography (CT) there is a trade-off between spatial resolution, field of view and speed of positioning and alignment of samples. The problem is even more prominent for high-throughput tomography–an automated setup, capable of scanning large batches of samples without human interaction. As a result, in many applications, only 20-30% of the reconstructed volume contains the actual sample. Such data redundancy clutters the storage and increases processing time. Hence, an automated sample localization becomes an important practical problem. In this work, we describe two self-supervised losses designed for biological CT. We further demonstrate how to employ the uncertainty estimation for sample localization. This approach shows the ability to localize a sample with less than 1.5\% relative error and reduce the used storage by a factor of four. We also show that one of the proposed losses works reasonably well as a pre-training task for the semantic segmentation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google