大规模连通组学的多通路方法
自动样品制备和电子显微镜使得大规模图像数据采集成为可能,基于此,本文提出了一种 pipeline 系统,通过结合随机森林分类和条件随机场框架,能够完成大规模电子显微镜数据的分割和自动化标注,从而实现了大规模 3D 神经元的重建和可视化。
Mar, 2013
通过构建 FlyTracing 数据集和引入连接感知对比学习方法,本研究旨在降低人工工作量,减少电子显微镜数据中自动图像分割后的人工校对过程,并提出了一种有效的自动神经追踪方法。
Jan, 2024
本研究介绍了一种基于深度学习的新型神经网络结构 FusionNet,用于自动分割连接组学数据中的神经元结构,并表明其在电子显微镜 (EM) 图像分割方面具有优异的性能。
Dec, 2016
本文提出了一种名为 “focused proofreading” 的新策略,结合自动图像分割和生物信息,成功减少了手动修正(proofreading)的时间和地点,应用于大型数据集中的果蝇视神经中,使跟踪速度提高了 3-5 倍。
Sep, 2014
利用大型神经成像数据集中的连接性图谱等手段,改善边缘端机器学习的效率和鲁棒性,并通过对果蝇和哺乳动物视脑回路连接等领域的分析,展示了多种潜在的应用脑科学领域洞见的方法。
May, 2023
本文旨在通过探究基于快速聚类的交替方案,用于替代耗时的函数评估来降低记忆需求,从而处理大规模的脑成像数据。结果表明,基于聚类的压缩在提高之后的估计步骤的精度方面有良好的效果,能够用于分析大型数据集。
Nov, 2015
本文提出了多阶段多递归输入的完全卷积网络通过学习低阶段的不同感受野大小的多个侧面输出,为后续学习提供多尺度的上下文边界信息,以解决电子显微镜图像分割的挑战问题,结果在两个公共可用的 EM 分割数据集上取得了有希望的结果。
Mar, 2017
在电压成像中,我们提出了一种快速神经元分割方法,能够从噪声视频帧中检测到多个可能重叠的尖峰神经元,并实现了包括所提出的分割方法和 GPU 加速的运动校正在内的数据处理流程。通过在现有数据集和新数据集上的测试,我们展示了我们的处理流程能够从混乱的数据集中提取与人工标注良好一致的神经元轮廓,并首次展示了在单台台式电脑上实现电压成像数据的实时处理。
Mar, 2024
本研究基于深度学习提出了一种快速准确的神经影像处理流程,用于自动处理结构人脑 MRI 扫描。我们在 95 个类别中引入多元切片信息聚合,利用竞态稠密块和竞态跳跃路径实现局部和全局竞争,并通过将大脑标签直接映射到表面实现了皮质表面建模和厚度分析。在多个数据集中进行了广泛的验证,证明了该方法的高精度、高可靠性和高灵敏性。
Oct, 2019
本文介绍了 AxonCallosumEM 数据集,该数据集是通过电子显微镜技术对 RTT 小鼠模型的胼胝体进行成像得到的,数据集详细标注了髓鞘和轴突,并开发出一种 Fine-tune 方法,适应了 EM 图像分割任务。
Jul, 2023