有多少个标本构成了足够的训练集,用于自动化三维特征提取?

科学领域:

• 古生物学的古生物学
• 计算生物学 计算生物学
• 图像分析 图像分析

背景情况:

• 手动图像分割是耗时的,容易产生偏差.
• 深度学习可以从3D图像中自动提取特征.
• 最佳训练数据大小和数据增强效应尚未得到充分探索.

研究的目的:

• 确定准确的3D图像分割的最低训练集大小.
• 评估数据增强对准确性和效率的影响.
• 将内部与外部结构的细分挑战进行比较.

主要方法:

• 50种浮游生物 (Menardella属) 的手动细分.
• 训练深度学习模型,使用不同数量的标本.
• 使用数据增强来扩展训练集.
• 评估体积和形状数据提取的准确性.

主要成果:

• 通过8个训练标本获得95%的准确性.
• 数据增强提高了网络精度高达8.0%.
• 由于对比度较低和复杂,内部结构比外部结构更难分段.

结论:

• 提供了对3D图像分割的最佳训练集大小的见解.
• 突出了数据增强在增强特征提取方面的潜力.
• 建议深度学习模型需要仔细考虑复杂的内部结构.