Detail publikace

DEMIS: Electron Microscopy Image Stitching using Deep Learning Features and Global Optimisation

ŠILLING Petr a ŠPANĚL Michal. DEMIS: Electron Microscopy Image Stitching using Deep Learning Features and Global Optimisation. In: Proceedings of the 18th International Joint Conference on Biomedical Engineering Systems and Technologies - BIOIMAGING. Porto: Institute for Systems and Technologies of Information, Control and Communication, 2025, s. 255-256. ISBN 978-989-758-731-3. Dostupné z: https://www.scitepress.org/publishedPapers/2025/133149/pdf/index.html
Název česky
DEMIS: Sešívání obrazů z elektronového mikroskopu pomocí hlubokého učení a globální optimalizace
Typ
článek ve sborníku konference
Jazyk
angličtina
Autoři
Šilling Petr, Ing. (UPGM FIT VUT)
Španěl Michal, doc. Ing., Ph.D. (UPGM FIT VUT)
URL
Klíčová slova

Elektronová mikroskopie, Zobrazování celých preparátů, Sešívání obrázků, Neuronové sítě

Abstrakt

Přesné sešívání překrývajících se obrazových dlaždic je nezbytné pro rekonstrukci rozsáhlých mozaik snímků z elektronové mikroskopie (EM) při zobrazování velkých preparátů. Současné přístupy k sešívání se spoléhají na tradiční příznaky a globální zarovnání založené pouze na translaci a konstrukci minimální kostry grafu (MST). To vede k neoptimálnímu globálnímu zarovnání, protože se zanedbávají rotační chyby a pracuje se pouze s transformacemi odhadnutými z párových shod příznaků. Díky tomu dochází k vyřazení cenných informací spojených s jednotlivými příznaky. Navíc mohou mít tradiční příznaky problémy s opakujícími se texturami. S ohledem na nedostatky aktuálních metod a nedávné pokroky v oblasti hlubokého učení navrhujeme DEMIS, novou metodu sešívání snímků z EM. DEMIS využívá k hledání shod příznaků Local Feature TRansformer (LoFTR) a optimalizuje translační a rotační parametry přímo na úrovni jednotlivých příznaků. Pro vyhodnocení a trénování jsme připravili EM424, syntetickou sadu dat vytvořenou rozdělením EM snímků s vysokým rozlišením na pole překrývajících se dlaždic. Abychom umožnili vyhodnocení i na neanotovaných datech z reálných aplikací, navrhujeme rovněž nereferenční metriku kvality sešívání založenou na optickém toku. Experimenty využívající novou metriku ukazují, že DEMIS dokáže zlepšit průměrné výsledky z 32,11 na 2,28 ve srovnání se současnými přístupy k sešívání (1408% zlepšení).

Rok
2025
Strany
255-256
Sborník
Proceedings of the 18th International Joint Conference on Biomedical Engineering Systems and Technologies - BIOIMAGING
Konference
12th International Conference on Bioimaging, BIOIMAGING 2025 - Part of 18th International Joint Conference on Biomedical Engineering Systems and Technologies, BIOSTEC 2025, Porto, PT
ISBN
978-989-758-731-3
Vydavatel
Institute for Systems and Technologies of Information, Control and Communication
Místo
Porto, PT
DOI
10.5220/0013314900003911
BibTeX 
@INPROCEEDINGS{FITPUB13335,
   author = "Petr \v{S}illing and Michal \v{S}pan\v{e}l",
   title = "DEMIS: Electron Microscopy Image Stitching using Deep Learning Features and Global Optimisation",
   pages = "255--256",
   booktitle = "Proceedings of the 18th International Joint Conference on Biomedical Engineering Systems and Technologies - BIOIMAGING",
   year = 2025,
   location = "Porto, PT",
   publisher = "Institute for Systems and Technologies of Information, Control and Communication",
   ISBN = "978-989-758-731-3",
   doi = "10.5220/0013314900003911",
   language = "english",
   url = "https://www.fit.vut.cz/research/publication/13335"
}
Nahoru