面向流式突触检测的组合式 ConvNets
计算机视觉与模式识别
2017-02-27 v1
摘要
连接组学是神经科学中的一个新兴领域，旨在从电子显微镜(EM)图像中重建神经元的三维形态。最近的研究已成功展示了使用卷积神经网络(ConvNets)分割细胞膜以个体化神经元。然而，在推导连接图所需的高通量细胞间突触连接识别方面，相比之下鲜有成功。在本研究中，我们采用组合方法进行突触分割，将其显式建模为沿细胞膜共定位的不对称囊泡密度的细胞间裂隙。我们不需要深度网络来学习这种组合性的所有自然组合，而是训练轻量级网络来仅从 100 个电子显微镜样本中建模膜、裂隙和囊泡的更简单的边缘分布。然后，将这些特征图与源自先验生物学知识的简单基于规则的启发式方法相结合。我们的突触检测方法不仅比先前最先进的方法更准确（召回率提高 7%，F1 分数提高 5%），而且与先前最快的实现相比速度提升了 20 倍。我们通过在单台共享内存 CPU 系统上仅用 9.7 小时，从最大可用的小鼠体感皮层(S1)各向异性显微数据集(245 GB)中重建出首个完整的有向连接组来展示这一点。我们相信这项工作标志着向显微镜速度流式连接组学流水线目标迈出的重要一步。
引用
@article{arxiv.1702.07386,
title = {Toward Streaming Synapse Detection with Compositional ConvNets},
author = {Shibani Santurkar and David Budden and Alexander Matveev and Heather Berlin and Hayk Saribekyan and Yaron Meirovitch and Nir Shavit},
journal= {arXiv preprint arXiv:1702.07386},
year = {2017}
}
备注
10 pages, 9 figures