FusionNet：一种用于连接组学图像分割的深度全残差卷积神经网络
计算机视觉与模式识别
2021-04-14 v2
摘要
电子显微连接组学是一个雄心勃勃的研究方向，其目标是通过使用高通量、纳米尺度显微镜研究全面的大脑连接图谱。连接组学研究的主要挑战之一是开发需要最少用户干预的可扩展图像分析算法。近年来，深度学习因其在图像分类任务中的卓越性能而在计算机视觉中备受关注。因此，其在连接组学分析中的应用也大有前途。本文中，我们引入一种新颖的深度神经网络架构FusionNet，用于连接组学数据中神经元结构的自动分割。FusionNet利用了机器学习中的最新进展，如语义分割和残差神经网络，并新颖地引入了基于加和的跳跃连接，以实现更深的网络架构从而获得更准确的分割。我们通过将所提方法与来自ISBI EM分割挑战赛的最先进的(state-of-the-art)电子显微镜(EM)分割方法进行比较，展示了该方法的性能。我们还展示了包括细胞膜和细胞体分割在内的两个不同任务上的分割结果，以及细胞形态学的统计分析。
引用
@article{arxiv.1612.05360,
title = {FusionNet: A deep fully residual convolutional neural network for image segmentation in connectomics},
author = {Tran Minh Quan and David G. C. Hildebrand and Won-Ki Jeong},
journal= {arXiv preprint arXiv:1612.05360},
year = {2021}
}