深度分区:通过图形神经网络从电子显微镜体积对神经元细分进行图形分区的深度学习

科学领域:

• 神经科学是一个神经科学.
• 计算机视觉 计算机视觉
• 机器学习 机器学习

背景情况:

• 在电子显微镜 (EM) 卷中自动化神经元细分对于神经科学研究至关重要.
• 在区域邻图 (RAG) 上进行超像素聚合是一种常见的方法.
• 由于容量不足和任务简化,现有的方法存在建模错误.

研究的目的:

• 开发一种完全端到端的深度学习方法,用于EM神经元细分中的超像素聚合.
• 为了解决图形分区任务的组合复杂性.
• 为了提高自动神经元细分的准确性和效率.

主要方法:

• 建议深度分区,一个端到端的深度学习框架,用于超像素聚合.
• 整合了线图神经网络 (LGNN),以捕捉RAG中的更高阶关系结构.
• 集成了二阶特征提取器,高阶特征集成的LGNN,以及可微分的多切割解决器.

主要成果:

• 在三个公共EM数据集上证明了深度分区的有效性.
• 在RAG中,LGNN成功地捕获了更高级的结构信息.
• 统一的框架实现了提高神经元细分性能.

结论:

• 深度分区为EM卷中神经元细分提供了一个强大的端到端解决方案.
• 该方法有效地处理了图形分区的组合复杂性.
• 这种方法推进了神经回路的自动化分析.