用于 3D 轴突分割的自监督特征提取
图像与视频处理
2020-04-22 v1 计算机视觉与模式识别
摘要
现有的基于学习的方法在 3D 脑图像中自动追踪轴突通常依赖于人工标注的分割标签。标注是一个劳动密集型的过程，且无法扩展到全脑分析，而全脑分析对于增进对大脑功能的理解是必需的。我们提出了一种自监督辅助任务，利用轴突的管状结构从未标记数据中构建特征提取器。所提出的辅助任务约束 3D 卷积神经网络 (CNN) 预测输入 3D 体积中排列切片的顺序。通过解决此任务，3D CNN 能够在没有真实标签的情况下学习特征，这些特征对使用 3D U-Net 模型进行下游分割非常有用。据我们所知，我们的模型是首个对使用 SHIELD 技术以亚细胞分辨率成像的轴突进行自动分割的模型。我们在 SHIELD PVGPe 数据集和 BigNeuron 项目（单神经元 Janelia 数据集）上展示了相较于 3D U-Net 模型提升的分割性能。
引用
@article{arxiv.2004.09629,
title = {Self-Supervised Feature Extraction for 3D Axon Segmentation},
author = {Tzofi Klinghoffer and Peter Morales and Young-Gyun Park and Nicholas Evans and Kwanghun Chung and Laura J. Brattain},
journal= {arXiv preprint arXiv:2004.09629},
year = {2020}
}
备注
Accepted to CVPR Computer Vision for Microscopy Image Analysis Workshop 2020. 7 pages. 3 Figures