机器标签:一个快速而准确的标注工具,用于机器图像.

科学领域:

• 生物技术是生物技术.
• 计算生物学 计算生物学
• 再生医学是一种再生医学.

背景情况:

• 有机器人为器官功能和疾病研究提供了有前途的体外模型.
• 从人体细胞中产生有机体通常是低效的,昂贵的和耗时的.
• 人工智能工具可以预测和选择功能性有机体发育的最佳细胞聚合物.

研究的目的:

• 开发一个自动化,用户友好的应用程序,用于细分3D蜂构造图像.
• 创建大型,可靠的图像数据集,用于训练有机体研究中的深度学习模型.
• 为了提供一个更快,更准确的替代手动图像标签的器官研究.

主要方法:

• 开发了OrganoLabeler,一个使用对比度调整,K-means集群,CLAHE,二进制和Otsu值的应用程序.
• 创建的胚胎体和大脑器官数据集用于比较.
• 训练有素的U-Net深度学习模型使用OrganoLabeler分段和手动标记的图像.

主要成果:

• OrganoLabeler以一致,可靠和快速的方式生成分段图像.
• 使用OrganoLabeler分段数据训练的U-Net模型实现了与使用手动标签训练的相似或更高的分段精度.
• 该应用程序在速度和准确性方面显著改进,与手动标签相比.

结论:

• OrganoLabeler有效地自动化了用于有机体研究的图像细分.
• 该工具可以取代手动标签,提高数据集创建的效率和准确性.
• OrganoLabeler提供了一个免费的,有价值的资源,用于推进有机体开发和人工智能驱动的生物研究.