机构名称：
¥ 2.0
了解细胞的复杂三维结构在生物学的许多学科中至关重要，尤其是在神经科学中。在这里，我们介绍了一组模型，包括3D变压器（Swinuneter）和一种新颖的3D自我监督学习方法（WNET3D），旨在解决生成3D地面真相数据和量化3D卷的核的固有复杂性。我们开发了一个名为CellSeg3d的Python软件包，该软件包在Jupyter笔记本和Napari GUI插件中提供了对这些模型的访问。认识到高质量的3D地面真相数据的稀缺性，我们创建了一个完全被人类宣传的中膜数据集，以提高该领域的评估和基准测试。为了评估模型性能，我们在四个不同的数据集中进行了测试：新开发的MesoSpim数据集，一个3D Platynereis-ish-Nuclei共聚焦数据集，一个单独的3D Platynereis-Nuclei灯光数据集，以及一个具有挑战性且具有挑战性和密集包装的Mouse-Skull-Nucleii colderii coldasaset。我们证明，我们的自我监管模型WNET3D（未经任何地面真相标签训练）以最先进的监督方法来实现绩效，为在标签式生物学环境中更广泛的应用铺平了道路。
CellSeg3d：荧光显微镜的自我监督3D细胞分割
主要关键词
相关文件推荐
