A self-supervised deep learning pipeline for segmentation in two-photon fluorescence microscopy
Notice bibliographique
Résumé
Abstract Two-photon fluorescence microscopy (TPFM) allows in situ investigation of the structure and function of the brain at a cellular level, but the conventional image analyses of TPFM data are labour-intensive. Automated deep learning (DL)-based image processing pipelines used to analyze TPFM data require large labeled training datasets. Here, we developed a self supervised learning (SSL) pipeline to test whether unlabeled data can be used to boost the accuracy and generalizability of DL models for image segmentation in TPFM. We specifically developed four pretext tasks, including shuffling, rotation, axis rotation, and reconstruction, to train models without supervision using the UNet architecture. We validated our pipeline on two tasks (neuronal soma and vasculature segmentation), using large 3D microscopy datasets. We introduced a novel density-based metric, which provided more sensitive evaluation to downstream analysis tasks. We further determined the amount of labeled data required to reach performance on par with fully supervised learning (FSL) models. SSL-based models that were fine-tuned with only 50% of data were on par or superior (e.g., Dice increase of 3% for neuron segmentation and Dice score of 0.88 ± 0.09 for vessel segmentation) to FSL models. We demonstrated that segmentation maps generated by SSL models pretrained on the reconstruction and rotation tasks can be better translated to downstream tasks than can other SSL tasks. Finally, we benchmarked all models on a publicly available out-of-distribution dataset, demonstrating that SSL models outperform FSL when trained with clean data, and are more robust than FSL models when trained with noisy data.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».