深度学习以克服Zernike相对比纳米CT文物用于骨中自动化微纳米孔隙细分的深度学习
Andreia Silveira1, Imke Greving2, Elena Longo3
1Department for Restorative, Preventive and Pediatric Dentistry, Charité-Universitaetsmedizin, Berlin, Germany.
Journal of synchrotron radiation
|December 14, 2023
概括
深度学习在3DX射线断层扫描中准确量化了骨隙-通道网络 (LCN). 这种方法克服了图像工件,使骨细胞连接和形态学的可靠分析成为可能.
科学领域:
- 生物医学工程 生物医学工程
- 材料科学 材料科学 材料科学
- 细胞生物学 细胞生物学
背景情况:
- 骨质材料具有复杂的沟-沟网络 (LCN),对机械生物学和骨周转至关重要.
- LCN由骨细胞住房缺口和连接组成,对于骨研究中的3D表征至关重要.
研究的目的:
- 开发和验证一种深度学习方法,用于在X射线纳米图谱数据中量化3D LCN.
- 为了解决和克服图像工件,如光环和阴影在断层骨图像中.
主要方法:
- 使用卷积神经网络 (CNN) 模型,特别是U-Net和Sensor3D,用于图像分析.
- 训练有素的CNN模型在同步射线X射线Zernike相对比纳米图谱数据上的斑马鱼骨头.
- 验证了对人类识别的基本真相图像的深度学习方法.
主要成果:
- 传感器3D CNN模型实现了高性能 (精度为0.983,误差损失为0.032) 用70个训练图像和32个批量大小.
- 开发的方法可靠地隔离和评估毛孔性,准确地识别骨基内LCN空隙.
- 分析成功克服了通常阻碍特征识别的非线性文物.
结论:
- 深度学习提供了一个强大的解决方案,用于精确的3D鉴定骨LCN从工件装载的X射线纳米图.
- 这种技术增强了对骨细胞网络形态和分布的理解.
- 这种方法有可能分析其他体积成像数据的图像质量下降.
