Sep, 2024

组织学图像中的轴突和髓鞘分割的多领域数据聚合

HTML
PDF
TL;DR本研究解决了目前神经退行性疾病相关组织学图像中轴突和髓鞘属性定量分析中可用深度学习模型缺乏的问题。通过聚合多种成像模式和物种的数据，我们开发了一种开放源代码的通用模型，显著提高了分割性能和适应性，使得不同研究组能有效利用该工具，加速神经科学研究的进展。
发现论文，激发创造
  • 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

  • 使用深度扩张卷积进行脊髓灰质分割

    本论文利用深度学习方法，提出了一种基于MRI影像的人脊髓灰质分割新方法，可用于神经学疾病的研究，提供更好的脑部组织分割结果。

    Oct, 2017

  • 使用卷积神经网络的多发性硬化症病变分割中的一次性领域适应

    这篇研究分析了针对多发性硬化症患者图像的自动白质病变分割方法的卷积神经网络方法，重点研究了领域适应性对准确性的影响，并评估了在新领域中需要重新训练的最小图像数量和最小图层数量以获得可比较的准确性。

    May, 2018

  • 基于深度神经网络的多发性硬化症病变和神经解剖分割

    本文探讨基于卷积神经网络（CNN）的分割解决方案，以提供多模式磁共振成像的快速，可靠的病变和灰质结构分割，重点研究了基于2016 MSSEG训练数据集上的两个完全卷积CNN架构的性能，并比较了其他方法的性能表现。

    Jan, 2019

  • 多尺度全卷积神经网络用于组织病理学图像分割: 从核异常到全局组织结构

    该论文介绍了一种基于多种尺度的深度神经网络，用于组织病理学的诊断。实验表明，该神经网络能够在低计算成本下提高模型的性能，并有望广泛应用于组织病理学的深度诊断中。

    Sep, 2019

  • 自监督特征提取在三维轴突分割中的应用

    本文提出了一种基于自监督辅助任务的神经网络方法，可以自动追踪拟束状物结构在3D脑成像中的分支，从而实现对亚细胞级别下轴突的自动分割和分析。

    Apr, 2020

  • 针对神经退行性疾病的结构病理相关定量分析的高分辨率7T体外MRI自动化深度学习分割

    本研究旨在解决自动化识别 ex vivo MRI 中人类大脑皮质和亚皮质结构、白质异常的问题，我们设计了一个基于深度学习的模型，基于高分辨率数据进行训练和测试，并结合脑病理学的定量评估，通过测量体积和局部皮层厚度来诊断和研究各种脑部疾病。

    Mar, 2023

  • 基于结构特征的神经元膜分割无监督域自适应

    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

  • AxonCallosumEM 数据集：基于 EM 图像的大脑胼胝体横截面的轴索语义分割

    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

  • 细胞实例分割与分类方法CISCA及新开放的Nissl染色脑构筑数据集

    本研究解决了显微组织图像中细胞分辨与分类的复杂问题，提出了一种新型深度学习框架CISCA，旨在支持数字病理学与脑细胞构筑的深入分析。CISCA通过独特的网络架构实现对细胞的自动分割和分类，验证显示其在多样化组织类型中的出色表现，极大推动了研究的精确性与效率。

    Sep, 2024