- 标题
- 摘要
- 关键词
- 实验方案
- 产品
-
利用领域知识改进基于提升多割的显微镜图像分割
摘要： 近年来，电子显微镜的通量显著提升，使得对较大组织体积内细胞形态和超微结构的精细分析成为可能。虽然单突触分辨率的神经环路分析仍是该技术的旗舰应用方向，但其在细胞与发育生物学领域的规?；τ靡部加肯?。在光学显微镜领域，光片显微镜的持续发展促使成像体积维度快速扩大，TB级数据采集已成为该领域的常规操作。此类研究产生的海量数据使得人工实例分割（许多分析流程中的关键步骤）难以实现。尽管借助卷积神经网络，自动分割方法的精度已大幅提升，但仍落后于人工标注水平，需要额外的人工校对。当前阻碍精度进一步提升的主要瓶颈在于：分割网络的有限视野使其无法学习利用人类分割决策时所依赖的预期细胞形态或其他先验生物学知识。本文展示如何通过将这类领域特异性信息转化为图分割问题（即提升多割问题）中的长程相互作用来利用这些信息?；诟媚Ｐ涂蚣?，我们在神经科学与发育生物学领域四个具有挑战性的基于边界的分割问题上，实现了分割精度的显著提升。
关键词： 生物医学图像分析、生物先验知识、实例分割、LM分割、连接组学、电子显微镜分割
更新于2025-09-11 14:15:04
-
图像细胞术中的深度学习：综述
摘要： 人工智能、深度卷积神经网络和深度学习都是专业术语，它们在科学报告和大众媒体中出现的频率越来越高。本综述聚焦于深度学习及其在细胞和组织样本显微图像数据中的应用。我们通过与神经科学的类比开篇，旨在向读者概述神经网络的核心概念，并阐明深度学习与从图像数据中提取信息的传统方法有何不同。我们希望增进对这些方法的理解，同时强调输入数据要求、计算资源、挑战和局限性等方面的注意事项。我们并非提供将这些方法应用于自身数据的完整手册，而是回顾先前发表的关于图像细胞术中深度学习的文章，并引导读者进一步阅读特定网络和方法的相关资料，包括尚未应用于细胞术数据的新方法。
关键词： 图像细胞术、机器学习、生物医学图像分析、卷积神经网络、深度学习、细胞分析、显微镜技术
更新于2025-09-04 15:30:14