通过循环分割进行3D域自适应实例细分 GANs GANs

科学领域:

• 神经科学是一个神经科学.
• 计算机视觉 计算机视觉
• 生物医学成像技术 生物医学成像技术

背景情况:

• 3D实例细分对于未标记的成像模式至关重要.
• 专家注释是昂贵和耗时的.
• 现有的方法使用单独的图像翻译和细分网络.

研究的目的:

• 开发一个统一的网络,同时进行图像翻译和3D实例细分.
• 为了提高未标记的目标域的细分性能.
• 与顺序方法相比,为了降低计算成本.

主要方法:

• 拟议的周期性细分生成对抗网络 (CySGAN) 具有权重分配.
• 综合循环GAN损失,监督损失,自我监督和对抗性目标.
• 利用未标记的目标域数据来提高性能.

主要成果:

• 在3D神经元核细分方面,CySGAN实现了卓越的性能.
• 优于预先训练的模型和顺序翻译-细分方法.
• 在电子显微镜 (EM) 和膨胀显微镜 (ExM) 数据上证明有效性.

结论:

• CySGAN提供了一种高效和有效的解决方案,用于跨无标签模式的3D实例细分.
• 统一的网络设计可以减少计算开销.
• 公开发布的数据集 (NucExM) 和实施促进了进一步的研究.