面向高分辨率连接组学的自动化图像到图框架
定量方法
2015-05-01 v2 计算机视觉与模式识别
摘要
重建神经元连接图谱是当代神经科学的一项关键挑战。高通量连续切片电子显微镜 (EM) 的最新进展首次产生了纳米级脑组织的大规模 3D 图像体积。EM 的分辨率允许直接观察单个神经元及其突触连接。在此尺度上通过手动追踪每个神经突起来恢复神经网络是不可行的，因此研究人员正在开发自动化图像处理模块。迄今为止，最先进的算法仅专注于特定任务的解决方案（例如神经元分割或突触识别）。在本文中，我们提出了首个完全自动化的图像到图流程（即从神经组织成像体积开始并生成脑图而无需任何人工干预的流程）。为了评估整体性能并选择最佳参数和方法，我们还开发了一种指标来评估输出图的质量。我们评估了一组算法和参数，搜索可能的操作点以识别针对我们评估指标的最佳可用脑图。最后，我们在一个大型公开数据集上部署了该流程的参考端到端版本。这为社区分析以及未来的算法开发和测试提供了基线结果和框架。所有代码和数据衍生产品均已公开，旨在最终解锁新的生物逼真计算原语并理解神经病理学。
引用
@article{arxiv.1411.6880,
title = {An Automated Images-to-Graphs Framework for High Resolution Connectomics},
author = {William Gray Roncal and Dean M. Kleissas and Joshua T. Vogelstein and Priya Manavalan and Kunal Lillaney and Michael Pekala and Randal Burns and R. Jacob Vogelstein and Carey E. Priebe and Mark A. Chevillet and Gregory D. Hager},
journal= {arXiv preprint arXiv:1411.6880},
year = {2015}
}
备注
13 pages, first two authors contributed equally V2: Added additional experiments and clarifications; added information on infrastructure and pipeline environment