提出一种基于机器学习技术的主动学习方法，用于对超像素进行层次聚合分割，并在3D电子显微镜（EM）影像和自然影像的数据上，利用信息变异度来衡量分割精度，在比较实验中，证明了该方法在分割准确度上优于其他算法。

Mar, 2013

该论文提出了一种新颖的聚合框架用于电子显微镜图像（或体积）分割，即给定一个过分割的图像或体积，我们提出了一个新的框架来准确地聚类相同神经元的区域，并且在2D，3D数据集上，与现有标准方法相比，该方法在分割准确度上取得了显着的改进。

Jun, 2014

本文提出一种基于区域的半监督分割方法，通过一个可微的无监督损失函数和贝叶斯模型结合有监督信息，可以在仅用3％到7％的完整标签数据子集的情况下实现与全标签方法相当的表现并显著优于仅相同标签子集的有监督方法。

Aug, 2016

本文提出了一种基于随机森林分类器和卷积神经网络的分割方法，采用整数线性规划强制实现连续的细胞膜分割，成功避免了传统方法中的模糊细胞内部混合现象，同时降低了拓扑错误。

Feb, 2020

本文介绍了一种使用深度学习生成虚拟训练数据集的方法，以解决显微镜数据分割的GT问题，为分析心肌细胞线粒体状态和行为提供了巨大帮助，并获得了二进制分割的91%的 IoU分数。

Aug, 2020

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

本文研究了大规模电子显微镜技术下生物医学图像分析的自动化方法和挑战，并讨论了近五年来在自动化人工智能计算机视觉、深度学习和软件工具方面所取得的进步，探讨了自动化图像获取与分析的整合，以实现毫米级纳米分辨率的高通量分析。

Jun, 2022

本研究提出了一种新的少样本领域自适应框架SAMDA，将Segment Anything Model（SAM）与nnUNet在嵌入空间中结合起来，以实现高度的转移性和准确性。在两个电子显微图像数据集和四个MRI数据集上的实验结果表明，SAMDA模型在显微镜图像分割和多模态图像分割领域具有很好的性能。

Mar, 2024

动态细胞器的分析是一个巨大挑战，但对于理解生物过程至关重要。我们介绍了Nellie，一个自动化无偏见的管道，用于分割、跟踪和提取多样化的细胞内结构。Nellie根据图像元数据进行调整，消除了用户输入。Nellie的预处理管道能够增强多个细胞内尺度上的结构对比度，从而实现次细胞器区域的稳健分层分割。通过自适应半径模式匹配方案生成和跟踪内部运动捕捉标记，并用作亚体素流插值的指导。Nellie以多个层次提取了众多特征，可进行深度和可自定义的分析。Nellie采用基于Napari的图形用户界面，可以实现免代码操作和可视化，而其模块化开源代码库可供经验丰富的用户进行定制修改。我们通过两个示例展示了Nellie的多种用例：使用基于特征的分类从单通道中解混多个细胞器，并在线粒体多网格图上训练无监督图自编码器，以量化离子霉素处理后潜在空间嵌入的变化。

Mar, 2024

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。

Sep, 2024