使用模拟和增强图像训练的卷积神经网络对神经元的定量相位图像的细分进行比较

科学领域:

• 生物医学成像学 生物医学成像学
• 计算神经科学是一种计算神经科学.
• 机器学习 机器学习

背景情况:

• 定量相成像 (QPI) 能够可视化和测量细胞的干质量.
• 对QPI图像的自动细分对于跟踪神经元生长至关重要.
• 卷积神经网络 (CNN) 在图像细分方面表现出色,但需要广泛的标记训练数据.

研究的目的:

• 为了评估训练CNN在增强真实神经元图像与模拟抽象神经元图像上的有效性,用于QPI细分.
• 为了对这些CNN模型的性能进行基准测试,与用于神经元生长跟踪的人类标签进行比较.

主要方法:

• 使用随机神经元生长模拟生成抽象的QPI图像和标签.
• 在增强真实神经元数据和模拟抽象数据上训练CNN模型.
• 测试了三个共识人类标签者对手工标签的细分性能.

主要成果:

• 在增强现实数据上训练的CNN获得了最高的子系数.
• 细分错误,特别是细胞碎片和噪声,影响了干质量估计.
• 神经元细分证明很困难,占图像的小部分,并对所有模型构成挑战,包括人类标签者.

结论:

• 与模拟抽象数据相比,增强现实数据为QPI神经元细分提供了更好的训练.
• 神经元细分质量是模型性能的主要决定因素,需要进一步改进.
• 人类专家还在精确的神经元细分方面扎,这凸显了对先进方法的需求.