用于连接组重建的基于结构化损失深度学习的大规模图像分割
计算机视觉与模式识别
2020-07-29 v4
摘要
我们提出一种结合亲和性预测与区域聚合的方法，在准确率和可扩展性上显著优于基于电子显微镜(EM)的神经元分割现有技术。我们的方法包括一个3D U-NET，训练用于预测体素间的亲和性，随后进行迭代区域聚合。我们使用基于MALIS的结构化损失进行训练，鼓励从亲和性阈值化获得的拓扑正确分割。我们的扩展包括两部分：首先，我们提出一种准线性方法计算损失梯度，改进了原始二次算法。其次，我们通过两次独立传递计算梯度，以避免训练早期阶段的伪梯度贡献。我们的预测足够准确，使得简单的无学习基于百分位数的聚合优于之前在较差预测上使用的更复杂方法。我们在三个不同的EM数据集上展示结果，相对先前结果分别提升27%、15%和250%。我们的发现表明单一方法可应用于近似各向同性块面EM数据和各向异性连续切片EM数据。我们方法的运行时间随体积大小线性缩放，达到约每兆体素2.6秒的吞吐量，使我们的方法适用于处理非常大的数据集。
引用
@article{arxiv.1709.02974,
title = {Large Scale Image Segmentation with Structured Loss based Deep Learning for Connectome Reconstruction},
author = {Jan Funke and Fabian David Tschopp and William Grisaitis and Arlo Sheridan and Chandan Singh and Stephan Saalfeld and Srinivas C. Turaga},
journal= {arXiv preprint arXiv:1709.02974},
year = {2020}
}