弥合裂隙：利用点云合并连接组学中的神经元
计算机视觉与模式识别
2021-12-14 v2 机器学习
摘要
在连接组学领域，一个主要问题是3D神经元分割。尽管基于深度学习的方法已取得显著精度，错误依然存在，尤其在图像缺陷区域。一种常见缺陷类型是连续缺失图像切片。此处数据沿某轴丢失，所得神经元分割跨越裂隙而断裂。为解决此问题，我们提出一种基于神经元点云表示的新型方法。我们将该问题表述为分类问题，并训练CurveNet(一种最先进的的点云分类模型)来识别哪些神经元应被合并。我们展示我们的方法不仅表现强劲，且能合理扩展到远超其他方法曾尝试处理的裂隙尺度。此外，我们的点云表示在数据上极为高效，以其他方法不可行的数据量维持高性能。我们认为这表明了将点云表示用于其他校订任务的可行性。
引用
@article{arxiv.2112.02039,
title = {Bridging the Gap: Point Clouds for Merging Neurons in Connectomics},
author = {Jules Berman and Dmitri B. Chklovskii and Jingpeng Wu},
journal= {arXiv preprint arXiv:2112.02039},
year = {2021}
}
备注
10 pages, 6 figures, MIDL 2022