一个半监督的管道,用于精确的神经元细分,用更少的基础真理标签

科学领域:

• 神经科学是一个神经科学.
• 计算生物学 计算生物学
• 机器学习 机器学习

背景情况:

• 双光子成像允许以细胞分辨率记录数千个神经元的活动.
• 分析大规模的神经记录需要自动的神经元细分方法.
• 目前的监督方法需要广泛的手动生成的基准真实标签.

研究的目的:

• 开发一个半监督管道,以减少神经元细分培训标签的数量.
• 为了提高从成像数据分析大神经记录的效率.
• 为了实现神经元细分的最先进的准确性,减少了手动注释的努力.

主要方法:

• 一个半监督的管道利用神经网络组合生成伪标签.
• 使用生成的伪标签训练一个浅层的U-Net模型.
• 在三个公开可用的两光子成像数据集上进行验证.

主要成果:

• 拟议的方法在有限的地面真相标签上训练时,优于现有的细分方法.
• 通过使用完全监督的方法所需的标签约25%,实现了最先进的准确性.
• 在广泛的标签上训练时,与最先进的方法相比,证明了更高的准确性.

结论:

• 半监督管道有效地减少了神经元细分所需的手工工作.
• 能够准确处理大型神经记录,加速神经科学研究.
• 尽量减少生成用于自动细分的培训数据所需的时间和资源.