Fiberpose:基于距离变换神经网络的先进纤维形态测量与实例分割
Fiberpose: state-of-the-art fiber morphometry and instance segmentation with a distance-transform neural network
预印本 · 尚未经过同行评审
Fiberpose 用距离变换神经网络直接回归纤维几何,实例分割精度优于 SAM2 和 Cellpose-SAM,直径测量比 DiameterJ 等更准。
在生物医学工程和材料科学中,分析 SEM 图像中的纤维结构是一项常规任务。然而,现有的大多数纤维定量方法仍依赖于经典的图像二值化,随后进行简单的后处理。这些方法在边界微弱、对比度不均匀且纤维密集排列的图像中往往产生不可靠的结果。在此,我们提出 Fiberpose,该框架将纤维分析重新表述为对平滑距离变换(DT)场的直接回归,并配有一套专门适配该表示的新型基于几何的算法。预测场直接编码纤维几何,而配套算法可在统一的工作流中实现实例重建以及直径和取向的测量。该框架以独立的 Python 桌面应用和网页工具 https://fiberpose.org 的形式实现。在一个独立的纤维 SEM 图像数据集上,与 SAM2 和 Cellpose-SAM 相比,Fiberpose 取得了最先进的实例分割精度;与 DiameterJ、Fibar 和 GIFT 相比,其直径测量更准确。该方法在密集且对比度微弱的区域仍然有效,并在训练数据中未出现的显微成像模态上表现出定性泛化能力。因此,Fiberpose 提供了一种可解释的几何表示,以及一条用于纤维材料可重复定量表征的自动化流程。
中文由 AI 翻译,仅供参考,以原文为准。
来源:arXiv · Quantitative Methods · arxiv.org