Published October 22, 2021
| Version v1
Publication
Open
Semantic segmentation of vertebrate microfossils from computed tomography data using a deep learning approach
Creators
- 1. Institute of Vertebrate Paleontology and Paleoanthropology
- 2. Chinese Academy of Sciences
- 3. Center for Life Sciences
- 4. Xidian University
- 5. Mathematics Research Center
- 6. University of Chinese Academy of Sciences
Description
Abstract. Vertebrate microfossils have broad applications in evolutionary biology and stratigraphy research areas such as the evolution of hard tissues and stratigraphic correlation. Classification is one of the basic tasks of vertebrate microfossil studies. With the development of techniques for virtual paleontology, vertebrate microfossils can be classified efficiently based on 3D volumes. The semantic segmentation of different fossils and their classes from CT data is a crucial step in the reconstruction of their 3D volumes. Traditional segmentation methods adopt thresholding combined with manual labeling, which is a time-consuming process. Our study proposes a deep-learning-based (DL-based) semantic segmentation method for vertebrate microfossils from CT data. To assess the performance of the method, we conducted extensive experiments on nearly 500 fish microfossils. The results show that the intersection over union (IoU) performance metric arrived at least 94.39 %, meeting the semantic segmentation requirements of paleontologists. We expect that the DL-based method could also be applied to other fossils from CT data with good performance.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
الخلاصة. الأحافير الدقيقة للفقاريات لها تطبيقات واسعة في البيولوجيا التطورية ومجالات البحث الطبقي مثل تطور الأنسجة الصلبة والارتباط الطبقي. التصنيف هو أحد المهام الأساسية لدراسات الأحافير الدقيقة للفقاريات. مع تطوير تقنيات علم الحفريات الافتراضي، يمكن تصنيف الأحافير الدقيقة للفقاريات بكفاءة بناءً على الأحجام ثلاثية الأبعاد. يعد التقسيم الدلالي لمختلف الحفريات وفئاتها من بيانات التصوير المقطعي المحوسب خطوة حاسمة في إعادة بناء مجلداتها ثلاثية الأبعاد. تعتمد طرق التجزئة التقليدية العتبة جنبًا إلى جنب مع وضع العلامات اليدوية، وهي عملية تستغرق وقتًا طويلاً. تقترح دراستنا طريقة التجزئة الدلالية القائمة على التعلم العميق (القائمة على DL) للحفريات الدقيقة للفقاريات من بيانات التصوير المقطعي المحوسب. لتقييم أداء الطريقة، أجرينا تجارب مكثفة على ما يقرب من 500 من الأحافير الدقيقة للأسماك. تظهر النتائج أن مقياس أداء التقاطع عبر الاتحاد (IoU) وصل إلى 94.39 ٪ على الأقل، مما يلبي متطلبات التجزئة الدلالية لعلماء الحفريات. نتوقع أنه يمكن أيضًا تطبيق الطريقة القائمة على DL على الحفريات الأخرى من بيانات التصوير المقطعي المحوسب ذات الأداء الجيد.Translated Description (French)
Résumé. Les microfossiles de vertébrés ont de vastes applications en biologie évolutive et dans les domaines de recherche en stratigraphie tels que l'évolution des tissus durs et la corrélation stratigraphique. La classification est l'une des tâches de base des études sur les microfossiles vertébrés. Avec le développement de techniques de paléontologie virtuelle, les microfossiles vertébrés peuvent être classés efficacement en fonction de volumes 3D. La segmentation sémantique de différents fossiles et de leurs classes à partir de données de tomodensitométrie est une étape cruciale dans la reconstruction de leurs volumes 3D. Les méthodes de segmentation traditionnelles adoptent le seuillage combiné à l'étiquetage manuel, ce qui est un processus fastidieux. Notre étude propose une méthode de segmentation sémantique basée sur l'apprentissage profond (DL) pour les microfossiles vertébrés à partir de données de tomodensitométrie. Pour évaluer les performances de la méthode, nous avons mené des expériences approfondies sur près de 500 microfossiles de poissons. Les résultats montrent que la mesure de performance de l'intersection sur l'union (IoU) est arrivée à au moins 94,39 %, répondant aux exigences de segmentation sémantique des paléontologues. Nous nous attendons à ce que la méthode basée sur la DL puisse également être appliquée à d'autres fossiles à partir de données de tomodensitométrie avec de bonnes performances.Translated Description (Spanish)
Resumen. Los microfósiles de vertebrados tienen amplias aplicaciones en las áreas de investigación de la biología evolutiva y la estratigrafía, como la evolución de los tejidos duros y la correlación estratigráfica. La clasificación es una de las tareas básicas de los estudios de microfósiles en vertebrados. Con el desarrollo de técnicas para la paleontología virtual, los microfósiles de vertebrados se pueden clasificar de manera eficiente en base a volúmenes 3D. La segmentación semántica de diferentes fósiles y sus clases a partir de datos de TC es un paso crucial en la reconstrucción de sus volúmenes 3D. Los métodos de segmentación tradicionales adoptan el umbral combinado con el etiquetado manual, que es un proceso que consume mucho tiempo. Nuestro estudio propone un método de segmentación semántica basado en el aprendizaje profundo (basado en DL) para microfósiles de vertebrados a partir de datos de TC. Para evaluar el rendimiento del método, realizamos extensos experimentos con casi 500 microfósiles de peces. Los resultados muestran que la métrica de rendimiento de intersección sobre unión (IoU) llegó al menos al 94.39%, cumpliendo con los requisitos de segmentación semántica de los paleontólogos. Esperamos que el método basado en DL también se pueda aplicar a otros fósiles a partir de datos de TC con buen rendimiento.Files
jm-40-163-2021.pdf.pdf
Files
(3.4 MB)
| Name | Size | Download all |
|---|---|---|
|
md5:24870c9a3033da10acaa8e8f344da4e6
|
3.4 MB | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- التجزئة الدلالية للحفريات الدقيقة للفقاريات من بيانات التصوير المقطعي المحوسب باستخدام نهج التعلم العميق
- Translated title (French)
- Segmentation sémantique des microfossiles de vertébrés à partir de données de tomodensitométrie en utilisant une approche d'apprentissage en profondeur
- Translated title (Spanish)
- Segmentación semántica de microfósiles de vertebrados a partir de datos de tomografía computarizada utilizando un enfoque de aprendizaje profundo
Identifiers
- Other
- https://openalex.org/W3209296733
- DOI
- 10.5194/jm-40-163-2021
References
- https://openalex.org/W1598618205
- https://openalex.org/W1652775531
- https://openalex.org/W1901129140
- https://openalex.org/W1967836284
- https://openalex.org/W1970800786
- https://openalex.org/W2003062440
- https://openalex.org/W2020418177
- https://openalex.org/W2038862184
- https://openalex.org/W2074113357
- https://openalex.org/W2087747411
- https://openalex.org/W2096579040
- https://openalex.org/W2133059825
- https://openalex.org/W2136544599
- https://openalex.org/W2139993612
- https://openalex.org/W2194775991
- https://openalex.org/W2326940953
- https://openalex.org/W2333283766
- https://openalex.org/W2399833491
- https://openalex.org/W2443860939
- https://openalex.org/W2468762793
- https://openalex.org/W2513653541
- https://openalex.org/W2530311131
- https://openalex.org/W2531959910
- https://openalex.org/W2558580397
- https://openalex.org/W2565639579
- https://openalex.org/W2568571373
- https://openalex.org/W2610058921
- https://openalex.org/W2757003988
- https://openalex.org/W2757900331
- https://openalex.org/W2805916667
- https://openalex.org/W2898985649
- https://openalex.org/W2919115771
- https://openalex.org/W2982879051
- https://openalex.org/W3010774528
- https://openalex.org/W3015555895
- https://openalex.org/W3016291243
- https://openalex.org/W3031890555
- https://openalex.org/W3037582100
- https://openalex.org/W3047011367
- https://openalex.org/W3048571636
- https://openalex.org/W3085180333
- https://openalex.org/W3090218350
- https://openalex.org/W3093320302
- https://openalex.org/W3103752968
- https://openalex.org/W3107211789
- https://openalex.org/W3160587515
- https://openalex.org/W3184162310
- https://openalex.org/W3185949493
- https://openalex.org/W4388321741