活细胞的生成建模与SO(3) -等价的隐性神经表示

科学领域:

• 生物医学成像技术 生物医学成像技术
• 计算生物学 计算生物学
• 计算机视觉 计算机视觉

背景情况:

• 数据驱动的细胞跟踪和细分需要广泛的训练数据.
• 有限的真实世界数据需要合成数据生成.
• 现有的形状表示 (voxel 面具,多边形网格) 与细胞复杂性和动力学相斗争.

研究的目的:

• 开发一种生成模型,用于合成现实的3D+时间活细胞形状.
• 为了解决动态细胞过程当前形状表示的局限性.
• 提高生物医学成像算法培训数据的质量和多样性.

主要方法:

• 使用神经网络估计的符号距离函数 (SDF) 的水平集表示细胞形状.
• 优化一个完全连接的神经网络,以在3D+时间域内实现隐式SDF表示.
• 使用解散的隐藏代码来生成形状,独立于旋转.

主要成果:

• 提出的基于SDF的模型成功生成了复杂的,拓上可信的3D+时间细胞形状.
• 实现了与真实细胞形状的高度相似性,通过定量形状特征和Dice相似性分析进行验证.
• 在具有快速变形,生长,分裂和突出的多种细胞类型上表现出有效性.
• 通过图像对图像模型成功合成了相应的显微镜图像.

结论:

• 神经网络估计的SDF为动态和复杂的活细胞形状提供了强大的表示.
• 该方法为生成用于生物医学成像的高准确度合成训练数据提供了强大的工具.
• 这种方法推动了更准确,更可靠的细胞跟踪和细分算法的开发.