当前位置:
X-MOL 学术
›
bioRxiv. Paleontol.
›
论文详情
Our official English website, www.x-mol.net, welcomes your feedback! (Note: you will need to create a separate account there.)
Automated Microfossil Identification and Segmentation Using a Deep Learning Approach
bioRxiv - Paleontology Pub Date : 2019-06-06 , DOI: 10.1101/661694 L.E Carvalho , G. Fauth , S. Baecker Fauth , G. Krahl , A. C. Moreira , C.P. Fernandes , A von Wangenheim
bioRxiv - Paleontology Pub Date : 2019-06-06 , DOI: 10.1101/661694 L.E Carvalho , G. Fauth , S. Baecker Fauth , G. Krahl , A. C. Moreira , C.P. Fernandes , A von Wangenheim
The applicability of computational analysis to paleontological images ranges from the study of the animals, plants and evolution of microorganisms to the simulation of the habitat of living beings of a given epoch. It also can be applied in several niches, such as oil exploration, where there are several factors to be analyzed in order to minimize the expenses related to the oil extraction process. One factor is the characterization of the environment to be explored. This analysis can occur in several ways: use of probes, extraction of samples for petrophysical components evaluation, the correlation with logs of other drilling wells and so on. In the samples extraction part the Computed Tomography (CT) is of importance because it preserves the sample and makes it available for several analyzes. Based on 3D images generated by CT, several analyzes and simulations can be performed and processes, currently performed manually and exhaustively, can be automated. In this work we propose and validate a method for fully automated microfossil identification and extraction. A pipeline is proposed that begins in the scanning process and ends in an identification process. For the identification a Deep Learning approach was developed, which resulted in a high rate of correct microfossil identification (98% of Intersection Over Union). The validation was performed both through an automated quantitative analysis based upon ground truths generated by specialists in the micropaleontology field and visual inspection by these specialists. We also present the first fully annotated MicroCT-acquired publicly available microfossils dataset.
中文翻译:
使用深度学习方法自动识别和细分化石
计算分析对古生物学图像的适用范围从对动物,植物和微生物的研究到模拟给定时代的生物的栖息地。它也可以应用于多个领域,例如石油勘探,其中有几个因素需要分析,以最大程度地减少与石油开采过程相关的费用。一个因素是要探索的环境的特征。这种分析可以通过几种方式进行:使用探针,提取样品以进行岩石物理成分评估,与其他钻井的测井曲线相关性等等。在样品提取部分中,计算机断层扫描(CT)非常重要,因为它可以保存样品并使它可用于多种分析。根据CT生成的3D图像,可以执行多种分析和模拟,并且可以自动执行当前手动和详尽执行的过程。在这项工作中,我们提出并验证了一种用于全自动微化石鉴定和提取的方法。提出了从扫描过程开始到识别过程结束的管道。为了进行识别,开发了深度学习方法,该方法导致正确的微化石识别率(工会交叉口的98%)。验证是通过基于微型古生物学领域专家产生的基本事实的自动定量分析以及这些专家的目视检查来进行的。我们还介绍了第一个完全注释的MicroCT采集的公众可用的微化石数据集。当前手动和详尽执行的操作可以自动化。在这项工作中,我们提出并验证了一种用于全自动微化石鉴定和提取的方法。提出了从扫描过程开始到识别过程结束的管道。为了进行识别,开发了深度学习方法,该方法导致正确的微化石识别率(工会交叉口的98%)。验证是根据微观古生物学领域的专家所产生的真实情况,通过自动定量分析以及这些专家的目视检查来进行的。我们还介绍了第一个完全注释的MicroCT采集的公众可用的微化石数据集。当前手动和详尽执行的操作可以自动化。在这项工作中,我们提出并验证了一种用于全自动微化石鉴定和提取的方法。提出了从扫描过程开始到识别过程结束的管道。为了进行识别,开发了深度学习方法,该方法导致正确的微化石识别率(工会交叉口的98%)。验证是根据微观古生物学领域的专家所产生的真实情况,通过自动定量分析以及这些专家的目视检查来进行的。我们还介绍了第一个完全注释的MicroCT采集的公众可用的微化石数据集。在这项工作中,我们提出并验证了一种用于全自动微化石鉴定和提取的方法。提出了从扫描过程开始到识别过程结束的管道。为了进行识别,开发了深度学习方法,该方法导致正确的微化石识别率(工会交叉口的98%)。验证是根据微观古生物学领域的专家所产生的真实情况,通过自动定量分析以及这些专家的目视检查来进行的。我们还介绍了第一个完全注释的MicroCT采集的公众可用的微化石数据集。在这项工作中,我们提出并验证了一种用于全自动微化石鉴定和提取的方法。提出了从扫描过程开始到识别过程结束的管道。为了进行识别,开发了深度学习方法,该方法导致正确的微化石识别率(工会交叉口的98%)。验证是根据微观古生物学领域的专家所产生的真实情况,通过自动定量分析以及这些专家的目视检查来进行的。我们还介绍了第一个完全注释的MicroCT采集的公众可用的微化石数据集。为了进行识别,开发了深度学习方法,从而导致正确的微化石识别率很高(98%的联合口交)。验证是通过基于微型古生物学领域专家产生的基本事实的自动定量分析以及这些专家的目视检查来进行的。我们还介绍了第一个完全注释的MicroCT采集的公众可用的微化石数据集。为了进行识别,开发了深度学习方法,这导致了正确的微化石识别率(工会交叉口的98%)。验证是通过基于微型古生物学领域专家产生的基本事实的自动定量分析以及这些专家的目视检查来进行的。我们还介绍了第一个完全注释的MicroCT采集的公众可用的微化石数据集。
更新日期:2019-06-06
中文翻译:
使用深度学习方法自动识别和细分化石
计算分析对古生物学图像的适用范围从对动物,植物和微生物的研究到模拟给定时代的生物的栖息地。它也可以应用于多个领域,例如石油勘探,其中有几个因素需要分析,以最大程度地减少与石油开采过程相关的费用。一个因素是要探索的环境的特征。这种分析可以通过几种方式进行:使用探针,提取样品以进行岩石物理成分评估,与其他钻井的测井曲线相关性等等。在样品提取部分中,计算机断层扫描(CT)非常重要,因为它可以保存样品并使它可用于多种分析。根据CT生成的3D图像,可以执行多种分析和模拟,并且可以自动执行当前手动和详尽执行的过程。在这项工作中,我们提出并验证了一种用于全自动微化石鉴定和提取的方法。提出了从扫描过程开始到识别过程结束的管道。为了进行识别,开发了深度学习方法,该方法导致正确的微化石识别率(工会交叉口的98%)。验证是通过基于微型古生物学领域专家产生的基本事实的自动定量分析以及这些专家的目视检查来进行的。我们还介绍了第一个完全注释的MicroCT采集的公众可用的微化石数据集。当前手动和详尽执行的操作可以自动化。在这项工作中,我们提出并验证了一种用于全自动微化石鉴定和提取的方法。提出了从扫描过程开始到识别过程结束的管道。为了进行识别,开发了深度学习方法,该方法导致正确的微化石识别率(工会交叉口的98%)。验证是根据微观古生物学领域的专家所产生的真实情况,通过自动定量分析以及这些专家的目视检查来进行的。我们还介绍了第一个完全注释的MicroCT采集的公众可用的微化石数据集。当前手动和详尽执行的操作可以自动化。在这项工作中,我们提出并验证了一种用于全自动微化石鉴定和提取的方法。提出了从扫描过程开始到识别过程结束的管道。为了进行识别,开发了深度学习方法,该方法导致正确的微化石识别率(工会交叉口的98%)。验证是根据微观古生物学领域的专家所产生的真实情况,通过自动定量分析以及这些专家的目视检查来进行的。我们还介绍了第一个完全注释的MicroCT采集的公众可用的微化石数据集。在这项工作中,我们提出并验证了一种用于全自动微化石鉴定和提取的方法。提出了从扫描过程开始到识别过程结束的管道。为了进行识别,开发了深度学习方法,该方法导致正确的微化石识别率(工会交叉口的98%)。验证是根据微观古生物学领域的专家所产生的真实情况,通过自动定量分析以及这些专家的目视检查来进行的。我们还介绍了第一个完全注释的MicroCT采集的公众可用的微化石数据集。在这项工作中,我们提出并验证了一种用于全自动微化石鉴定和提取的方法。提出了从扫描过程开始到识别过程结束的管道。为了进行识别,开发了深度学习方法,该方法导致正确的微化石识别率(工会交叉口的98%)。验证是根据微观古生物学领域的专家所产生的真实情况,通过自动定量分析以及这些专家的目视检查来进行的。我们还介绍了第一个完全注释的MicroCT采集的公众可用的微化石数据集。为了进行识别,开发了深度学习方法,从而导致正确的微化石识别率很高(98%的联合口交)。验证是通过基于微型古生物学领域专家产生的基本事实的自动定量分析以及这些专家的目视检查来进行的。我们还介绍了第一个完全注释的MicroCT采集的公众可用的微化石数据集。为了进行识别,开发了深度学习方法,这导致了正确的微化石识别率(工会交叉口的98%)。验证是通过基于微型古生物学领域专家产生的基本事实的自动定量分析以及这些专家的目视检查来进行的。我们还介绍了第一个完全注释的MicroCT采集的公众可用的微化石数据集。