May, 2017

SNEMI3D 连接组学挑战中的超人类准确度

PDF
TL;DR使用卷积神经网络进行电子显微成像脑图像的三维重建，通过参加 SNEMI3D 基准测试的结果表明，在预测体积质心之间的亲和力和长距离相互作用的辅助任务中采用的 3D U-Net 变体算法训练的模型可以超越 SNEMI3D 排行榜提供的人类精度估计。
convolutional networks3d reconstructionneuronselectron microscopic brain imagessnemi3d benchmark challenge
发现论文，激发创造
  • 基于结构化损失的深度学习进行大尺度图像分割，用于连接图重建

    文章提出了一种结合亲和预测和区域聚合的方法，通过 3D U-NET 训练预测像素之间的亲和性，从而显著提高电子显微镜（EM）中的神经元分割准确性和可扩展性，通过实验表明，该方法在三个不同 EM 数据集上的表现相对于之前的结果提高了 27％，15％和 250％。

    Sep, 2017

  • 学习大规模神经元追踪的多模态体数据特征

    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

  • 递归训练 2D-3D 卷积网络用于神经元边界检测

    该研究提出了一种深度网络和递归训练的算法，用于从显微镜图像中自动重建神经元之间的连接。

    Aug, 2015

  • FusionNet: 一种用于连接组学中图像分割的深度完全残差卷积神经网络

    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

  • 使用置换不变编码器进行神经元分类的神经骨架和脑回路拓扑的联合学习

    本研究提出了一个名为 NeuNet 的框架，该框架整合了神经元的形态和连接信息，并成功应用于神经元分类任务，通过电子显微镜成像技术和分析方法在两个数据集上获得了高分类精度。

    Dec, 2023

  • DeepHuman：从单张图像重建 3D 人体

    提出了一种用于从单个 RGB 图像进行 3D 人体重建的基于图像引导的体积到体积的转换 CNN，通过 SMPL 模型生成密集的语义表示来减少与表面几何重建相关的歧义，将不同尺度的图像特征融合到三维空间中，并通过法线细化网络来进一步提高可见面细节的精度，使用所提出的体积法向投影层将其连接到体积生成网络中，并使用其中包含的 3D 真实世界人体模型数据集进行训练，实验表明该方法在前沿方法中表现优异。

    Mar, 2019

  • 大规模连通组学的多通路方法

    该研究提出了一种基于多核系统的、可用于实时处理电子显微镜数据的多通道管道，并演示了其在重建神经元连接性的准确性和速度上的优势。

    Dec, 2016

  • 大规模电子显微镜成像神经元过程的自动重建

    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

  • 多阶段多递归输入全卷积网络用于神经元边界检测

    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

  • 基于稀疏三维卷积神经网络的大规模形状检索

    该论文评估了 S3DCNN 在大规模 3D 形状基准 ModelNet40 上的性能，并衡量其受输入形状体素分辨率的影响，证明其在训练和推理阶段的计算成本要低得多，并提出了高分辨率输入的好处可能会受到神经网络推广高级特征能力的限制。

    Nov, 2016