AxonDeepSeg：基于卷积神经网络的显微图像轴突与髓鞘自动分割
计算机视觉与模式识别
2018-07-12 v2
摘要
从神经系统的显微图像中分割轴突和髓鞘可提供有关组织微结构的实用定量信息，例如轴突密度和髓鞘厚度。例如，这可用于记录跨物种的细胞形态测量，或验证新型非侵入性定量磁共振成像技术。目前大多数可用的分割算法基于标准图像处理，通常需要多个处理步骤和/或用户进行参数调整以适应不同模态。此外，仅有少数方法公开可用。我们介绍了 AxonDeepSeg，一款使用深度学习对显微图像进行轴突和髓鞘分割的开源软件。AxonDeepSeg 的特性包括：(i) 卷积神经网络架构；(ii) 基于人工标注数据生成新模型的简易训练流程；以及 (iii) 两个由扫描电子显微镜（SEM）和透射电子显微镜（TEM）训练好的即用模型。结果显示跨物种的像素级准确率较高：大鼠 SEM 为 85%，人类 SEM 为 81%，小鼠 TEM 为 95%，猕猴 TEM 为 84%。计算并提取了完整大鼠脊髓切片的分割结果及形态学指标，并与文献进行了比较。AxonDeepSeg 可在 https://github.com/neuropoly/axondeepseg 免费获取。
引用
@article{arxiv.1711.01004,
title = {AxonDeepSeg: automatic axon and myelin segmentation from microscopy data using convolutional neural networks},
author = {Aldo Zaimi and Maxime Wabartha and Victor Herman and Pierre-Louis Antonsanti and Christian Samuel Perone and Julien Cohen-Adad},
journal= {arXiv preprint arXiv:1711.01004},
year = {2018}
}
备注
14 pages, 7 figures