基于卷积循环网络从连续电子显微镜鲁棒重建神经环路
计算机视觉与模式识别
2020-01-20 v4
摘要
深度学习的近期成功已开始影响神经科学。尤其值得注意的是，有声称称当前分割算法在称为连接组学（connectomics）的领域中达到了“超人类”精度。然而，正如我们将展示的，这些算法不能有效泛化到训练所用的特定来源与脑组织之外——严重限制了广大神经科学界对它们的使用。为填补此空白，我们描述了一项新颖的连接组学挑战，即神经元来源与组织无关的重建（STAR），其偏好广泛泛化而非拟合特定数据集。我们首先证明当前最先进的神经元分割方法在该挑战上表现糟糕。我们进一步描述了一个新颖的卷积循环神经网络模块，其结合了处理阶段内的短程水平连接与阶段间的长程自顶向下连接。所得架构在 STAR 挑战上确立了最先进水平，并代表着迈向广泛可用且全自动连接组学分析的重要一步。
引用
@article{arxiv.1811.11356,
title = {Robust neural circuit reconstruction from serial electron microscopy with convolutional recurrent networks},
author = {Drew Linsley and Junkyung Kim and David Berson and Thomas Serre},
journal= {arXiv preprint arXiv:1811.11356},
year = {2020}
}