RhoanaNet 流程：密集的自动神经标注
神经元与认知
2016-11-22 v1 计算机视觉与模式识别
摘要
目前，从脑组织的电子显微镜（EM）图像重建突触连接图或连接组需要耗费大量时间的手工标注或校对（Kasthuri 和 Lichtman, 2010; Lichtman 和 Sanes, 2008; Seung, 2009）。重建更大、更复杂网络的愿望推动了更大 EM 数据集的收集。一立方毫米的原始成像数据将占据 1 PB 的存储空间，如果不严重依赖自动分割方法，这将使标注项目变得不切实际。RhoanaNet 图像处理流程旨在自动分割大体积 EM 数据，并减轻手工校对和标注的负担。基于 (Kaynig 等, 2015) 的工作，我们更新了软件流程的每个阶段，以提供更好的吞吐量性能和更高质量的分割结果。我们使用 SOTA 深度学习技术生成改进的膜概率图，并使用 Gala (Nunez-Iglesias 等, 2014) 将 2D 分割块聚合为 3D 对象。我们将 RhoanaNet 流程应用于四个密集标注的 EM 数据集，其中两个来自小鼠皮层，一个来自小脑，一个来自小鼠外侧膝状核（LGN）。所有训练和测试数据均公开用于基准比较。获得的最佳分割结果给出的 得分对于皮层数据集为 0.9054 和 0.9182，对于 LGN 为 0.9438，对于小脑为 0.9150。RhoanaNet 流程是开源软件。所有四个基准数据集的全部源代码、训练数据、测试数据和标注均可在 www.rhoana.org 获取。
引用
@article{arxiv.1611.06973,
title = {RhoanaNet Pipeline: Dense Automatic Neural Annotation},
author = {Seymour Knowles-Barley and Verena Kaynig and Thouis Ray Jones and Alyssa Wilson and Joshua Morgan and Dongil Lee and Daniel Berger and Narayanan Kasthuri and Jeff W. Lichtman and Hanspeter Pfister},
journal= {arXiv preprint arXiv:1611.06973},
year = {2016}
}
备注
13 pages, 4 figures