-
题名基于深度学习的轴突三维图像分割与重构
被引量：4
- 1
-
-
作者
黄天怡
冉小炜
郭增才
-
机构
清华大学生命科学联合中心
清华大学清华-idg/麦戈文脑科学研究院
清华大学医学院基础医学系
清华大学医学院生物医学工程系
-
出处
《神经解剖学杂志》
CAS
CSCD
北大核心
2020年第3期261-269,共9页
-
基金
清华大学IDG/麦戈文“Brain+X”种子基金。
-
文摘
目的:设计适用于神经轴突荧光显微图像三维分割任务的深度神经网络(DNN),提高神经轴突自动重构的准确性.方法:将三维图像分割任务转化为在3个正交投影方向上的二维分割任务,在开源网络Deep-MACT的基础上,利用多通道输入降低压缩维度上的信息损失,利用神经轴突骨架加权的损失函数训练以强调神经骨架连贯性,提出SWCUnet.采用转盘共聚焦荧光显微成像采集的小鼠大脑稀疏标记神经元神经轴突部分49个图块作为数据集,以人工标注的形态重构结果作为金标准训练网络.对网络模型输出的二维分割图像进行三维复原,并以三维分割结果输入MOST算法进行自动重构.结果:SWCUnet(32通道,骨架权重5)三维分割F1-score达到0.662,较DeepMACT提升0.132.基于三维分割结果的自动重构F1-score达到0.80,比基于原图的自动重构提升0.24.结论:SWCUnet可以较好地提取高分辨荧光显微图像中的神经轴突特征,输出的三维分割结果实现了大幅提升神经轴突骨架形态的自动重构准确率的目标,为小鼠大脑稀疏标记神经元全脑成像数据的大规模自动化重构提供了一种新工具.
-
关键词
深度学习
神经轴突
图像分割
重构
SWCUnet
小鼠
-
Keywords
deep-learning
axon
image segmentation
reconstruction
SWCUnet
mouse
-
分类号
TP18
[自动化与计算机技术—控制理论与控制工程]
TP391.41
[自动化与计算机技术—计算机应用技术]
-
