AxonCallosumEM Dataset: Axon Semantic Segmentation of Whole Corpus Callosum cross section from EM Images

要約

電子顕微鏡 (EM) は、動物の神経系の複雑な詳細をナノメートルスケールで解明するための主要な技術であり続けています。
ただし、軸索とミエリン鞘の複雑な形態を正確に再構築することは、大きな課題となります。
さらに、軸索および髄鞘の高密度のグランドトゥルースセグメンテーションを備えた、脳梁の完全な断面を網羅する公的に利用可能な大規模なEMデータセットが存在しないため、全体的な脳梁再構成の進歩と評価が妨げられています。
これらの障害を克服するために、広範な軸索束を伴うレット症候群 (RTT) マウス モデルの脳梁からキャプチャされた 1.83 倍の 5.76 mm EM 画像で構成される AxonCallosumEM データセットを導入します。
当社は 1024 × 1024 の解像度で 600,000 を超えるパッチを入念に校正し、有髄軸索とミエリン鞘に関する包括的なグランド トゥルースを提供します。
さらに、トレーニング、テスト、検証の目的で、データセット内の 3 つの異なる領域に広範囲に注釈を付けました。
このデータセットを利用して、セグメント エニシング モデル (SAM) を EM 画像セグメンテーション タスクに適応させる EM-SAM と呼ばれる微調整手法を開発し、他の最先端の手法を上回るパフォーマンスを実現します。
さらに、ベースラインとしてのEM-SAMの評価結果を示します。

要約(オリジナル)

The electron microscope (EM) remains the predominant technique for elucidating intricate details of the animal nervous system at the nanometer scale. However, accurately reconstructing the complex morphology of axons and myelin sheaths poses a significant challenge. Furthermore, the absence of publicly available, large-scale EM datasets encompassing complete cross sections of the corpus callosum, with dense ground truth segmentation for axons and myelin sheaths, hinders the advancement and evaluation of holistic corpus callosum reconstructions. To surmount these obstacles, we introduce the AxonCallosumEM dataset, comprising a 1.83 times 5.76mm EM image captured from the corpus callosum of the Rett Syndrome (RTT) mouse model, which entail extensive axon bundles. We meticulously proofread over 600,000 patches at a resolution of 1024 times 1024, thus providing a comprehensive ground truth for myelinated axons and myelin sheaths. Additionally, we extensively annotated three distinct regions within the dataset for the purposes of training, testing, and validation. Utilizing this dataset, we develop a fine-tuning methodology that adapts Segment Anything Model (SAM) to EM images segmentation tasks, called EM-SAM, enabling outperforms other state-of-the-art methods. Furthermore, we present the evaluation results of EM-SAM as a baseline.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google