一本基于CNN的神经元EM图像的密集细分指南

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
• 计算机视觉 计算机视觉

背景情况:

• 从体积电子显微镜 (EM) 图像中进行大规模的神经电路重建对于神经解剖学至关重要.
• 使用卷积神经网络 (CNN) 的自动细分对于许多研究人员来说是必不可少的,但具有挑战性.
• 了解不同的CNN架构对于高效准确的神经元追踪至关重要.

研究的目的:

• 审查和比较两个代表性的CNN密集神经元细分:洪水填充网络 (FFN) 和局部形状描述器 (LSD) 预测U-Net (LSD网络).
• 为研究人员提供关于选择适当的CNN的指导,考虑其机制,要求和限制.
• 讨论自动化神经元细分和潜在缓解策略的共同挑战.

主要方法:

• 专注于洪水填充网络 (FFN) 和局部形状描述器 (LSD) 网络,用于密集的神经元细分.
• 概述FFN和LSD网络的基本机制,计算要求和输出特征.
• 用作者提供的数据说明细分示例,以展示网络性能.

主要成果:

• 在细分长轴突方面,FFN表现出卓越的性能.
• LSD网络在细分髓质轴突方面表现出色.
• 无论FFN还是LSD都不是普遍优越的;选择取决于具体的细分目标.

结论:

• 在FFN和LSD网络之间进行密集的神经元细分的选择取决于具体的研究目标.
• 对于FFN和LSD来说,一个共同的局限性是细棘从父树突中脱离,需要进一步研究.
• 研究人员必须意识到CNN选择,计算资源需求以及成功自动化神经元细分的固有局限性.