面向连接组学的自动分割引导校对
计算机视觉与模式识别
2017-04-05 v1
摘要
连接组学中的自动细胞图像分割方法会产生合并和分裂错误，需要通过校对进行纠正。先前的研究已将针对这些错误的视觉搜索确定为交互式校对中的瓶颈。为了辅助错误纠正，我们开发了两个分类器，可自动向用户推荐候选的合并和分裂。这些分类器使用了卷积神经网络 (CNN)，该网络已利用自动分割中的错误与专家标注的真值进行了训练。我们的分类器通过考虑分割边界周围的大上下文区域来检测潜在的错误区域。随后，用户可以通过是/否决策执行纠正，这使变异信息的减少速度比以前的校对方法快 7.5 倍。我们还提出了一种全自动模式，该模式使用概率阈值来做出合并/分裂决策。使用自动方法进行的广泛实验以及对新手和专家用户表现的比较表明，我们的方法在不同的连接组学数据集上表现优于当前最先进的校对方法。
引用
@article{arxiv.1704.00848,
title = {Guided Proofreading of Automatic Segmentations for Connectomics},
author = {Daniel Haehn and Verena Kaynig and James Tompkin and Jeff W. Lichtman and Hanspeter Pfister},
journal= {arXiv preprint arXiv:1704.00848},
year = {2017}
}
备注
Supplemental material available at http://rhoana.org/guidedproofreading/supplemental.pdf