コスト効率の良いニューロンセグメンテーションのための分布認識型半教師ありパイプライン

科学分野:

• 神経科学
• コンピューターサイエンス
• 機械学習

背景:

• 半教師あり学習（SSL）は、電子顕微鏡（EM）ボリュームにおけるニューロンセグメンテーションにとってコスト効率が良いです。
• SSLは、ニューロン境界予測のための教師ありトレーニングを改善するためにラベルなしデータを使用します。
• ラベル付きデータとラベルなしデータの間の分布の不一致は、EMニューロンセグメンテーションにおけるSSLモデルの一般化を制限します。

研究 の 目的:

• EMボリュームにおける半教師ありニューロンセグメンテーションを強化するための分布認識型パイプラインを開発すること。
• EMデータにおけるSSLに固有の分布の不一致問題に対処すること。
• ニューロンセグメンテーションモデルの一般化能力を向上させること。

主な方法:

• 教師なし分布類似性を使用した代表的なサブボリュームのデータレベル選択による注釈付け。
• ラベル付きおよびラベルなしデータの混合ビューにわたる一貫した予測を奨励するモデルレベルのアプローチ。
• 特徴分布を整列させ、共有意味論を学習するためのネットワーク設計。

主要な成果:

• 開発されたパイプラインは、EMボリュームにおける半教師ありニューロンセグメンテーションを効果的に強化します。
• この手法は、多様なEMデータセットにおいてモデルの一般化を改善することを示しています。
• このアプローチは、分布の不一致問題にうまく対処します。

結論:

• 分布認識型パイプラインは、EMにおける半教師ありニューロンセグメンテーションを大幅に改善します。
• この手法は、手動でのプルーフリーディング作業を削減する可能性があります。
• このアプローチは、大規模なコネクトーム再構築を加速することができます。