基于深度完全二部网络的神经元分割
计算机视觉与模式识别
2017-06-01 v1
摘要
本文考虑双色共聚焦显微镜图像中神经元细胞的自动分割问题。该问题是神经科学中各种定量分析应用的关键任务，例如追踪Danio rerio（斑马鱼）大脑中的细胞生成。深度学习，特别是使用全卷积网络(FCN)，已深刻改变了生物医学成像中的分割研究。我们在此问题中面临两大挑战。首先，神经元细胞可能形成密集簇，难以正确识别所有单个细胞（即使对人类专家也是如此）。因此，已知FCN类型模型的分割结果不够准确。其次，逐像素真值难以获取。只能收集到有限数量的近似实例级标注，这使得FCN模型的训练相当繁琐。我们提出一种新型FCN类型深度学习模型，称为深度完全二部网络(CB-Net)，以及一种利用近似实例级标注来训练逐像素预测模型的新方案。使用七个真实数据集评估，我们提出的CB-Net新模型优于最先进的FCN模型，并产生了质量卓越的神经元分割结果。
引用
@article{arxiv.1705.11053,
title = {Neuron Segmentation Using Deep Complete Bipartite Networks},
author = {Jianxu Chen and Sreya Banerjee and Abhinav Grama and Walter J. Scheirer and Danny Z. Chen},
journal= {arXiv preprint arXiv:1705.11053},
year = {2017}
}
备注
miccai 2017