电子显微镜体数据中的微管追踪
计算机视觉与模式识别
2020-09-18 v1 机器学习
图像与视频处理
定量方法
摘要
我们提出一种电子显微镜体数据中微管追踪的方法。我们的方法首先识别可能属于微管的稀疏体素集。与先前工作类似，我们随后枚举这些体素间的潜在边，并将其表示为候选图。微管的轨迹通过求解结合微管结构的生物学先验的约束优化问题，在候选图中选择节点与边来发现。为此，我们提出一种新的整数线性规划公式，与现有最佳方法相比实现了三个数量级的加速及 53% 的精度提升（在三个 1.2 x 4 x 4m 果蝇神经组织体块上评估）。我们还提出一种分块求解优化问题的方案，支持分布式追踪，且为处理极大电子显微镜体数据所必需。最后，我们发布一个微管追踪基准数据集，此处用于训练、测试与验证，包含在 CREMI 数据集中密集标注微管的八个 30 x 1000 x 1000 体素块（1.2 x 4 x 4m）（https://github.com/nilsec/micron）。
引用
@article{arxiv.2009.08371,
title = {Microtubule Tracking in Electron Microscopy Volumes},
author = {Nils Eckstein and Julia Buhmann and Matthew Cook and Jan Funke},
journal= {arXiv preprint arXiv:2009.08371},
year = {2020}
}
备注
Accepted at MICCAI 2020