基于 3D 亲和度学习与聚合的各向异性 EM 图像分割
计算机视觉与模式识别
2018-08-06 v2
摘要
连接组学领域最近绘制了来自多种动物相对较大脑区的神经元连接图。这些神经重建大多是根据各向同性（例如 FIBSEM）或近各向同性（例如 SBEM）数据计算得出的。尽管近年来算法取得了显著进展，但各向异性数据的自动密集重建对连接组学界仍是一项挑战。各向异性数据分割中的一个重大障碍在于难以生成合适的初始过分割。在本研究中，我们提出了一种针对各向异性 EM 数据的分割方法，该方法对根据 3D 亲和度预测计算出的 3D 过分割进行聚合。通过 MALIS 方法训练 3D U-net 来预测 3D 亲和度。在多个数据集上的实验证明了所提方法在各向异性 EM 分割中的有效性与鲁棒性。
引用
@article{arxiv.1707.08935,
title = {Anisotropic EM Segmentation by 3D Affinity Learning and Agglomeration},
author = {Toufiq Parag and Fabian Tschopp and William Grisaitis and Srinivas C Turaga and Xuewen Zhang and Brian Matejek and Lee Kamentsky and Jeff W. Lichtman and Hanspeter Pfister},
journal= {arXiv preprint arXiv:1707.08935},
year = {2018}
}