In dieser Arbeit wird das größte öffentlich verfügbare Benchmark-Dataset, BvEM, für die Segmentierung kortikaler Blutgefäße in 3D-VEM-Bildern vorgestellt. Das BvEM-Dataset basiert auf VEM-Bildvolumen von drei Säugetierarten: erwachsene Maus, Makake und Mensch. Die Bildqualität und das Erscheinungsbild der Blutgefäße variieren stark zwischen diesen Volumina, was die Herausforderungen bei der Segmentierung widerspiegelt.
Darüber hinaus wurde eine zero-shot-Methode zur Blutgefäßsegmentierung namens TriSAM entwickelt, die das leistungsfähige Segment Anything Model (SAM) für die 3D-Segmentierung nutzt. Um SAM von 2D auf 3D-Volumensegmentierung zu erweitern, verwendet TriSAM ein Multi-Seed-Tracking-Framework, das die Zuverlässigkeit bestimmter Bildebenen für das Tracking nutzt, während andere zur Identifizierung potenzieller Wendepunkte verwendet werden. Dieser Ansatz ermöglicht eine effektive Langzeit-3D-Blutgefäßsegmentierung ohne Modelltraining oder Feinabstimmung.
Die experimentellen Ergebnisse zeigen, dass TriSAM über alle drei Spezies hinweg überlegene Leistungen auf dem BvEM-Benchmark erbringt. Damit stellt diese Arbeit einen entscheidenden Schritt zur Entschlüsselung der Geheimnisse der neurovaskulären Kopplung und ihrer Auswirkungen auf die Gehirngesundheit und -pathologie dar.
إلى لغة أخرى
من محتوى المصدر
arxiv.org
الرؤى الأساسية المستخلصة من
by Jia Wan,Wanh... في arxiv.org 04-10-2024
https://arxiv.org/pdf/2401.13961.pdfاستفسارات أعمق