MTNeuro：一个用于评估跨多抽象层级脑结构表示的基准
计算机视觉与模式识别
2023-01-09 v1 机器学习
摘要
对于同一幅图像，我们可以根据关注的是细粒度细节还是更全局的属性，从多种抽象尺度对其进行描述。在脑图谱绘制中，学习自动解析图像以构建对小尺度特征（例如细胞或血管的存在）和图像全局属性（例如图像来自哪个脑区）的表示，是一个关键且开放的挑战。然而，大多数现有的神经解剖学数据集和基准一次只考虑单个下游任务。为弥补这一差距，我们引入了一个新数据集、标注以及多个下游任务，提供从同一图像中读出脑结构与架构信息的多样化方式。我们的多任务神经成像基准（MTNeuro）构建于体素级、微米分辨率的 X 射线微层析图像之上，图像覆盖小鼠大脑较大的丘脑皮质切片，包含多个皮质和皮质下区域。我们生成了若干不同的预测挑战，并评估了多种监督与自监督模型在脑区预测和微结构像素级语义分割上的表现。我们的实验不仅凸显了该数据集丰富的异质性，也提供了关于如何利用自监督方法学习捕捉单幅图像多属性并在多种下游任务上表现良好的表示的见解。数据集、代码和预训练基线模型见：https://mtneuro.github.io/ 。
引用
@article{arxiv.2301.00345,
title = {MTNeuro: A Benchmark for Evaluating Representations of Brain Structure Across Multiple Levels of Abstraction},
author = {Jorge Quesada and Lakshmi Sathidevi and Ran Liu and Nauman Ahad and Joy M. Jackson and Mehdi Azabou and Jingyun Xiao and Christopher Liding and Matthew Jin and Carolina Urzay and William Gray-Roncal and Erik C. Johnson and Eva L. Dyer},
journal= {arXiv preprint arXiv:2301.00345},
year = {2023}
}
备注
10 pages, 4 figures, Accepted at NeurIPS 2022