tUbeNet:用于3D船舶细分的通用深度学习工具
Natalie A Holroyd1, Zhongwang Li1, Claire Walsh1,2
1Centre for Computational Medicine, Division of Medicine, University College London, 5 University Street, London, WC1E 6JF, United Kingdom.
Biology methods & protocols
|December 8, 2025
概括
一个新的深度学习模型可以在各种医学成像中实现精确的三维 (3D) 血管注释. 这种方法需要最小的手动数据标签专业应用程序,加速定量血管分析.
科学领域:
- * 医学成像分析分析
- * 计算生物学 * 计算生物学
- * 深度学习应用程序
背景情况:
- *现有的细胞注释软件,如Cellpose,广泛用于生物图像分析.
- * 缺乏用于三维 (3D) 血管注释的同等工具.
- * 血管系统在各种疾病中的参与需要对血管成像进行定量分析.
研究的目的:
- * 开发一个可通用的深度学习模型,用于3D血管细分.
- * 创建一个人-in-the-loop培训方法,以实现高效的模型微调.
- * 为了在不同的组织,模式,尺度和病理上实现准确的3D血管注释.
主要方法:
- * 在各种成像方式 (光学,CT,光声学) 上训练了一个3D卷积神经网络.
- * 一个预训练的"基础"模型使用最小的手动标记的基准真相数据进行了微调.
- *模型通过各种训练数据学习了跨模式和尺度的常见血管特征.
主要成果:
- * 基础模型专注于新数据集,其微调容量仅为0.3%.
- * 在各种应用中,分段实现了高精度 (DICE系数0.810.98).
- * 该模型证明了跨组织,模式,尺度和病理的概括性.
结论:
- * 对于3D血管细分的可通用深度学习模型,可以在最小的人类投入的情况下有效地进行专业化.
- *这种方法大大减少了对培训数据进行大量手动注释的需求.
- *开发的模型和培训策略为医学研究提供了准确的3D血管网络细分.
