基于超体素损失函数的高效保连通实例分割
计算机视觉与模式识别
2025-03-05 v3 神经元与认知
摘要
重建神经元及其长程投射轴突复杂的局部形态，可以解决神经科学中许多与连接性相关的问题。连接组学流程中的主要瓶颈是纠正拓扑错误，因为多个缠绕的神经元树突状结构是一个具有挑战性的实例分割问题。更广泛地说，曲线状、丝状结构的分割继续带来重大挑战。为了解决这个问题，我们将数字拓扑中简单点的概念扩展到连通体素集（即超体素），并提出了一种计算开销最小的拓扑感知神经网络分割方法。我们在一个新的小鼠大脑 3-d 光学显微镜图像公开数据集，以及基准数据集 DRIVE、ISBI12 和 CrackTree 上证明了其有效性。
引用
@article{arxiv.2501.01022,
title = {Efficient Connectivity-Preserving Instance Segmentation with Supervoxel-Based Loss Function},
author = {Anna Grim and Jayaram Chandrashekar and Uygar Sumbul},
journal= {arXiv preprint arXiv:2501.01022},
year = {2025}
}