VESICLE：利用计算机视觉大规模体评估突触界面
计算机视觉与模式识别
2015-09-09 v4 计算工程、金融与科学
定量方法
摘要
现代神经科学前沿的一个开放性挑战问题是获得支撑人脑功能的神经通路的全面图谱；对脑连接组的深入理解有望推动神经系统疾病诊断和治疗的新突破。从图像数据（如通过电子显微镜 (EM) 获得的数据）推断脑结构，需要解决在大数据体中识别生物结构的问题。突触作为大脑中的关键通信结构，由于其尺寸微小且对比度有限，特别难以检测。以往关于自动突触检测的工作依赖于耗时的生物制备（后染色、各向同性切片厚度）以简化问题。本文提出了 VESICLE，这是首个专为在各向异性、未后染色数据中进行哺乳动物突触检测而设计的方法。我们的方法明确利用了生物学背景，其结果在准确性和可扩展性方面超越了现有的突触检测方法。我们提供了两种不同的方法：一种是深度学习分类器 (VESICLE-CNN)，另一种是轻量级随机森林方法 (VESICLE-RF)，以在性能与可扩展性空间提供替代方案。解决这一突触检测挑战使得分析即将达到 PB 级的高通量成像数据成为可能，并为更快速地估算脑图谱提供了工具。最后，为了促进社区努力，我们开发了大规模目标检测工具，并利用该框架在 60,000 （磁盘占用 220 GB）的电子显微镜数据中发现了约 50,000 个突触。
引用
@article{arxiv.1403.3724,
title = {VESICLE: Volumetric Evaluation of Synaptic Interfaces using Computer vision at Large Scale},
author = {William Gray Roncal and Michael Pekala and Verena Kaynig-Fittkau and Dean M. Kleissas and Joshua T. Vogelstein and Hanspeter Pfister and Randal Burns and R. Jacob Vogelstein and Mark A. Chevillet and Gregory D. Hager},
journal= {arXiv preprint arXiv:1403.3724},
year = {2015}
}
备注
v4: added clarifying figures and updates for readability. v3: fixed metadata. 11 pp v2: Added CNN classifier, significant changes to improve performance and generalization