google/ffn

解決的問題

Flood-Filling Networks (FFNs) 專為在體積資料集中對複雜且大型的形狀進行實例分割而設計，特別針對腦組織體積電子顯微鏡（EM）資料集。

工作原理

FFNs 使用專門的神經網路架構來迭代分割物件。本專案提供工具，透過計算「分割」（特定半徑內標記體素的量化部分）並產生用於取樣的座標檔案，來準備訓練資料。訓練透過 train.py 指令碼使用 TensorFlow 執行，推論可作為批次處理運行以分割整個體積，或透過基於種子的方法進行互動式操作，逐步擴展分割遮罩。

適用對象

從事 3D 體積成像的研究人員與資料科學家，特別是專注於腦組織生物成像與電子顯微鏡分析的使用者。

主要亮點

• 體積分割：特別優化用於大型且複雜的 3D 形狀。
• 資料準備流程：包含計算分割與建立高效訓練用座標檔案的指令碼。
• 訓練與推論：支援非互動式批次推論與互動式基於種子的分割。
• GPU 加速：針對 Tesla P100 GPU 及類似硬體進行優化，適用於計算密集型的體積處理。