利用自监督孪生网络改进人脑区域的细胞构筑分割
计算机视觉与模式识别
2023-06-06 v1
摘要
人脑的细胞构筑分区在多模态图谱框架中作为解剖学参考。它们基于对躯体染色组织切片的分析以及脑区之间边界的识别。事实上的标准涉及半自动、可重复的边界检测，但无法适应显微分辨率下大规模切片序列的高通量成像。然而，由于数据的高变异性以及需要在显微分辨率下具备大视场，自动分区极具挑战性。近期提出的解决此问题的卷积神经网络（Convolutional Neural Network）模型的性能，尤其受到用于训练的专家标注自然有限量的制约。为规避这一限制，我们提出在自监督辅助任务上预训练神经网络，预测从同一大脑采样的两个图像块之间的 3D 距离。与随机初始化相比，从这些网络微调可得到显著更好的分割结果。我们表明，自监督模型已隐式学会区分若干皮层脑区——这是所提辅助任务适用于细胞构筑制图的有力指标。
引用
@article{arxiv.1806.05104,
title = {Improving Cytoarchitectonic Segmentation of Human Brain Areas with Self-supervised Siamese Networks},
author = {Hannah Spitzer and Kai Kiwitz and Katrin Amunts and Stefan Harmeling and Timo Dickscheid},
journal= {arXiv preprint arXiv:1806.05104},
year = {2023}
}
备注
Accepted at MICCAI 2018