利用深度学习的语义细分来成像珊瑚骨.
Alejandra Coronel-Zegarra1, Jamie L Knaub2, Vivian Merk1
1Department of Chemistry and Biochemistry, Department of Ocean and Mechanical Engineering, Florida Atlantic University, Boca Raton, FL 33431, United States.
Journal of structural biology
|March 12, 2026
概括
深度学习模型,特别是注意力U-Net,从微型CT扫描中准确地分割石质珊瑚骨. 这有助于理解珊瑚生长,物种差异以及疾病对骨架结构的影响.
科学领域:
- 海洋生物学 海洋生物学
- 生物矿物化 生物矿物化
- 计算生物学 计算生物学
背景情况:
- 微计算机断层扫描 (micro-CT) 和语义细分对于分析生物矿物质组织的复杂3D结构至关重要,例如珊瑚骨.
- 了解骨生长,多孔性,密度和厚度变化对于珊瑚生态和疾病研究至关重要.
- 传统的细分方法与大型3D数据集扎,需要先进的自动化方法.
研究的目的:
- 训练和评估U-Net深度学习模型,用于在岩石珊瑚微型CT数据集中对孔和骨进行细分.
- 为了比较不同U-Net架构 (注意U-Net,U-Net++,U-Net) 的性能,以获得准确性,效率和通用性.
- 应用验证的细分模型进行对珊瑚骨架特性和疾病影响的定量分析.
主要方法:
- 微型计算机断层扫描 (micro-CT) 对石质珊瑚骨 (Montastraea cavernosa, Porites astreoides) 的成像.
- 基于U-Net的深度学习模型的培训和应用,用于骨和毛孔结构的语义细分.
- 模型性能的统计评估,包括准确性,计算效率和通用性.
- 使用细分的3D模型进行孔径,散密度和骨厚度分析.
主要成果:
- 与U-Net++和标准U-Net.相比,注意U-Net在准确性,效率和通用性方面表现出卓越的表现.
- 深度学习细分揭示了M. cavernosa和P. astreoides之间骨结构的定量差异.
- 分析突出了健康和患病的M. cavernosa之间的骨特性差异,与石珊瑚组织损失疾病有关.
- 确定了U-Net模型中的局限性,包括潜在的假阳性和假阴性分类.
结论:
- 深度学习,特别是注意力U-Net,提供了一个强大的和精简的框架,用于分析微型CT数据的复杂珊瑚骨架结构.
- 这种方法增强了我们对珊瑚骨发生,物种间变异以及石珊瑚组织损失疾病等疾病的影响的理解.
- 开发的框架有助于对生物矿物质组织进行高效的定量分析,为海洋科学和古生物学中的更广泛应用铺平了道路.


