用于神经元边界检测的多阶段多递归输入全卷积网络
计算机视觉与模式识别
2017-08-01 v2
摘要
在连接组学领域，神经科学家力求全面识别皮层连接。对电子显微镜（EM）图像进行神经元边界检测，通常用于辅助神经元回路的自动重建。但 EM 图像的分割是一个具有挑战性的问题，因为它要求检测器既能检测丝状薄膜，也能检测团状厚膜，同时抑制模糊的细胞内结构。本文提出多阶段多递归输入全卷积网络来解决此问题。一个阶段的多个递归输入，即从较低阶段学习到的具有不同感受野大小的多个侧输出，为后续学习提供了多尺度上下文边界信息。这种设计在生物学上是合理的，因为它类似于人类视觉系统比较不同可能的分割方案以解决模糊边界问题的方式。我们的多阶段网络是端到端训练的。它在两个公开可用的 EM 分割数据集，即小鼠梨状皮层数据集和 ISBI 2012 EM 数据集上取得了有前景的结果。
引用
@article{arxiv.1703.08493,
title = {Multi-stage Multi-recursive-input Fully Convolutional Networks for Neuronal Boundary Detection},
author = {Wei Shen and Bin Wang and Yuan Jiang and Yan Wang and Alan Yuille},
journal= {arXiv preprint arXiv:1703.08493},
year = {2017}
}
备注
Accepted by ICCV2017