利用稀疏标注数据与二维加三维 CNN 训练策略对荧光显微镜中神经元胞体进行语义分割
图像与视频处理
2020-09-03 v2 计算机视觉与模式识别
神经元与认知
摘要
人脑皮层三维高分辨率荧光显微镜成像中神经元结构的语义分割可利用二维 CNN，其在神经元定位上效果良好但导致表面重建不准确。另一方面，三维 CNN 将需要大规模人工标注的体积数据，因而耗费大量人力。仅利用稀疏标注的半监督替代策略存在训练时间更长的问题，且相较于二维 CNN，所得模型容量往往增大，需要更多真值数据才能达到类似结果。为克服这些问题，我们提出一种两阶段策略，用于在稀疏二维标注上训练原生三维 CNN 模型，其中缺失标签由二维 CNN 模型推断，并在损失计算时以加权方式与人工标注结合。
引用
@article{arxiv.2009.00029,
title = {Semantic Segmentation of Neuronal Bodies in Fluorescence Microscopy Using a 2D+3D CNN Training Strategy with Sparsely Annotated Data},
author = {Filippo Maria Castelli and Matteo Roffilli and Giacomo Mazzamuto and Irene Costantini and Ludovico Silvestri and Francesco Saverio Pavone},
journal= {arXiv preprint arXiv:2009.00029},
year = {2020}
}