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
本研究提出一种新型的 EM 分割分类器训练算法,旨在降低对标注和错误修正任务的手动劳动需求,实验表明该方法较现有方法更适于神经重建。
Mar, 2015
提出了一种通用的损失函数,用于在多类别分割中实现拓扑准确性,并通过在持久性条码上引入匹配概念进行优化,将多类别分割问题转化为单类别分割任务,从而实现了神经网络的快速训练,并在四个医学数据集上验证了该方法的有效性。
Mar, 2024
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。
为了提高分割结果的拓扑准确性,本文提出了一种新的损失函数 Skea-Topo Aware Loss,它考虑了每个对象的形状和像素的拓扑重要性,包括基于骨架的加权损失和基于边界修正的拓扑关键像素识别,实验证明我们的方法在三个不同的边界分割数据集上相比 13 种最先进的方法,通过客观和主观评估,提高了最多 7 个 VI 点的拓扑一致性。
Apr, 2024
本文提出了一种基于未标注领域自适应的方法来解决神经元膜片分割领域间差距的问题,通过设计了特征权重模块、结构特征的超分辨率方法和正交分解模块,改进了神经元膜片分割的性能,在两个应用领域中得到了有效结果。
May, 2023
本文提出了一个用于细胞膜分割的电子显微数据集 U-RISC,该数据集具有多次迭代注释和未压缩的高分辨率原始数据。针对当前标准分割评估方法与人类视觉认知差异的问题,本文提出了一种称为感知豪斯多夫距离(PHD)的新评估标准,并对该标准与现有标准的性能进行了详细的比较和讨论。
Oct, 2020
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
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
提出了一种使用持久同调来训练神经网络在图像和体积分割中实现拓扑先验知识的方法,不需要地面真实标签,通过三个实验展示了该方法的有效性,将这种显式先验知识嵌入到神经网络分割任务中是最有益的。
Oct, 2019