Segmentation in large-scale cellular electron microscopy with deep learning: A literature survey

要約

生物医学電子顕微鏡 (EM) の自動化および半自動化技術により、大規模なデータセットを高速で取得できます。
したがって、手動で完全にラベル付けすることはもはや不可能な、これらの大量のデータを分析および解釈するには、セグメンテーション方法が不可欠です。
近年、ディープ ラーニング アルゴリズムは、ピクセル レベルのラベル付け (セマンティック セグメンテーション) と同じクラスの個別のインスタンスのラベル付け (インスタンス セグメンテーション) の両方で素晴らしい結果を達成しました。
このレビューでは、これらのアルゴリズムが EM 画像の細胞構造と細胞内構造をセグメント化するタスクにどのように適応したかを調べます。
このようなイメージによってもたらされる特別な課題と、それらのいくつかを克服したネットワーク アーキテクチャについて説明します。
さらに、EM における深層学習の急増に貢献した注目すべきデータセットについても、徹底的な概要が提供されています。
最後に、EM セグメンテーションの現在の傾向と将来の見通しについて、特にラベルフリー学習の分野について説明します。

要約(オリジナル)

Automated and semi-automated techniques in biomedical electron microscopy (EM) enable the acquisition of large datasets at a high rate. Segmentation methods are therefore essential to analyze and interpret these large volumes of data, which can no longer completely be labeled manually. In recent years, deep learning algorithms achieved impressive results in both pixel-level labeling (semantic segmentation) and the labeling of separate instances of the same class (instance segmentation). In this review, we examine how these algorithms were adapted to the task of segmenting cellular and sub-cellular structures in EM images. The special challenges posed by such images and the network architectures that overcame some of them are described. Moreover, a thorough overview is also provided on the notable datasets that contributed to the proliferation of deep learning in EM. Finally, an outlook of current trends and future prospects of EM segmentation is given, especially in the area of label-free learning.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google