进步的X射线微计算机断层扫描图像处理的鸟类蛋:一个改进的注册指标,用于多尺度3D图像和提高分辨率的细分蛋毛孔使用边缘注意力神经网络

科学领域:

• 生物矿物化 生物矿物化
• 计算生物学 计算生物学
• 进化生物学 进化生物学

背景情况:

• 鸟类蛋提供保护,并调节胚胎的气/水交换.
• 了解蛋孔分布对于鸟类繁殖至关重要,但由于成像的局限性而具有挑战性.

研究的目的:

• 开发一种新型的神经网络,以提高鸟蛋的3D断层数据的分辨率和标记毛孔.
• 为了准确地绘制卵毛孔在整个外表面的分布.

主要方法:

• 一个神经网络被训练在X射线微型计算机断层扫描 (X射线微型CT) 数据的鸟,,和乌蛋.
• 使用逐步放大来创建低分辨率和高分辨率的训练数据集.
• 一个边缘注意力损失函数和3D上下文保存被用于准确的voxel-wise标签.

主要成果:

• 神经网络成功增强了分辨率,并对蛋结构和毛孔进行了音量智能标签.
• 基于局部灰度梯度的新型指标验证了注册性能.
• 实现了对蛋 (5%) 和毛孔 (0.1%) 的精确标签,克服了阶级不平衡.

结论:

• 发达的神经网络有效地克服了成像权衡,使得鸟类蛋毛孔分布的详细分析.
• 边缘注意力,类平衡,3D上下文保存和3D卷积对于准确的孔隙分析至关重要.
• 这种方法提高了我们对蛋结构功能关系和鸟类繁殖策略的理解.