佩塔尺度管道用于精确对准来自串行断面电子显微镜图像的图像

科学领域:

• 神经科学是一个神经科学.
• 计算机科学 计算机科学
• 图像处理 图像处理

背景情况:

• 精确的神经电路重建依赖于连续断面电子显微镜 (ssEM) 图像的精确对齐.
• 目前的对齐方法与文物和现代ssEM数据集的 petascale数据大小作斗争.
• 改进对齐对于推进自动图像分割和随后的神经电路映射至关重要.

研究的目的:

• 开发一个强大的和可扩展的计算管道来对准ssEM图像.
• 为了提高3D图像堆创建的神经电路重建的准确性.
• 为了应对在ssEM分析中的图像文物和大型数据集所带来的挑战.

主要方法:

• 利用自主监督的卷积神经网络 (CNN) 训练用度量学习进行初始图像对齐.
• 实现了代微调,以精确地改进对齐.
• 雇员向量投票对图像工件和丢失数据的强度增加.
• 开发了一个基于区块的处理策略,用于可扩展性的分布式计算.
• 通过编写与衰变的块转换来实现全球对齐,避免全球优化.

主要成果:

• 与现有方法相比,在整个脑数据集上证明了对齐精度的提高.
• 展示了管道的可扩展性,以一立方毫米的小鼠视觉皮层数据.
• 在图像工件的存在下验证了对齐过程的稳定性.

结论:

• 开发的计算管道显著提高了ssEM图像对齐的准确性和可扩展性.
• 这一进步使得从大规模的神经成像数据中更可靠地重建神经电路.
• 公共可用的开源Python软件包使其能够更广泛地采用并进一步研究连接经济学.