Efficient Connectivity-Preserving Instance Segmentation with Supervoxel-Based Loss Function

要約

ニューロンとその長距離投影軸索の複雑な局所形態を再構築すると、神経科学における多くの接続に関連する質問に対処できます。
Connectomicsパイプラインの主要なボトルネックは、複数の絡み合ったニューロン角が挑戦的なインスタンスセグメンテーションの問題であるため、トポロジーエラーを修正することです。
より広く、曲線的な糸状構造のセグメンテーションは、引き続き大きな課題をもたらし続けています。
この問題に対処するために、デジタルトポロジーから接続されたボクセル（つまり、スーパーオクセル）までの単純なポイントの概念を拡張し、最小限の計算オーバーヘッドでトポロジを認識したニューラルネットワークセグメンテーション法を提案します。
マウス脳の3D光顕微鏡画像の新しいパブリックデータセットと、ベンチマークデータセットドライブ、ISBI12、およびクラックツリーに加えて、その有効性を示します。

要約(オリジナル)

Reconstructing the intricate local morphology of neurons and their long-range projecting axons can address many connectivity related questions in neuroscience. The main bottleneck in connectomics pipelines is correcting topological errors, as multiple entangled neuronal arbors is a challenging instance segmentation problem. More broadly, segmentation of curvilinear, filamentous structures continues to pose significant challenges. To address this problem, we extend the notion of simple points from digital topology to connected sets of voxels (i.e. supervoxels) and propose a topology-aware neural network segmentation method with minimal computational overhead. We demonstrate its effectiveness on a new public dataset of 3-d light microscopy images of mouse brains, along with the benchmark datasets DRIVE, ISBI12, and CrackTree.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google