用于神经元边界检测的2D-3D卷积网络的递归训练
计算机视觉与模式识别
2015-08-21 v1
摘要
从三维电子显微（EM）脑图像自动重建神经回路的努力对连接组学领域至关重要。重建的一项重要计算是神经元边界检测。通过串行切片EM（一种领先的3D EM技术）获取的图像具有高度各向异性，第三维质量较差。对于此类图像，2D最大池化卷积网络已确立边界检测性能的标准。在此，我们通过三项创新实现了准确性的大幅提升。遵循用于物体识别的更深网络趋势，我们使用了比先前用于边界检测的网络深得多的网络。其次，我们引入3D以及2D滤波器，以实现利用3D上下文的计算。最后，我们采用递归训练架构，其中第一个网络生成初步边界图，该图与原始图像一起作为第二个网络的输入，由后者生成最终边界图。反向传播训练通过ZNN加速，ZNN是一种利用多核CPU并行提升速度的3D卷积网络新实现。我们的混合2D-3D架构可更普遍地适用于其他类型的各向异性3D图像（包括视频），并且我们的递归框架适用于任何图像标注问题。
引用
@article{arxiv.1508.04843,
title = {Recursive Training of 2D-3D Convolutional Networks for Neuronal Boundary Detection},
author = {Kisuk Lee and Aleksandar Zlateski and Ashwin Vishwanathan and H. Sebastian Seung},
journal= {arXiv preprint arXiv:1508.04843},
year = {2015}
}