CleftNet：用于脑电子显微镜突触裂隙检测的增强深度学习模型
计算机视觉与模式识别
2021-01-13 v1 机器学习
摘要
检测突触裂隙是探究突触生物学功能的关键步骤。体积电子显微镜（EM）通过拍摄高分辨率和精细细节的EM图像来识别突触裂隙。机器学习方法已被用于从EM图像中自动预测突触裂隙。在本工作中，我们提出一种新颖且增强的深度学习模型，称为CleftNet，用于改进从脑EM图像中的突触裂隙检测。我们首先提出两个新颖的网络组件，称为特征增强器和标签增强器，用于增强特征和标签以改善裂隙表示。特征增强器能够从输入中融合全局信息并学习裂隙的常见形态模式，从而产生增强的裂隙特征。此外，它可生成不同维度的输出，使其能够灵活集成于任何深度网络中。所提出的标签增强器将每个体素的标签从单一值增强为一个向量，其中包含分割标签和边界标签。这使网络能够学习重要的形状信息并产生更具信息量的裂隙表示。基于所提出的特征增强器和标签增强器，我们将CleftNet构建为类似U-Net的网络。我们方法的有效性在在线和离线任务上均进行了评估。我们的CleftNet目前在CREMI开放挑战赛的在线任务中排名第一。此外，离线任务中的定量和定性结果均表明我们的方法显著优于基线方法。
引用
@article{arxiv.2101.04266,
title = {CleftNet: Augmented Deep Learning for Synaptic Cleft Detection from Brain Electron Microscopy},
author = {Yi Liu and Shuiwang Ji},
journal= {arXiv preprint arXiv:2101.04266},
year = {2021}
}
备注
10 pages, 3 figures, 6 tables