[论文解读] An Iterative Convolutional Neural Network Algorithm Improves Electron Microscopy Image Segmentation

Xundong Wu|arXiv (Cornell University)|Jun 18, 2015

Cell Image Analysis Techniques参考文献 17被引用 13

一句话总结

本文提出一种迭代卷积神经网络（CNN）算法，通过优化膜检测概率图（MDPMs）来提升电子显微镜（EM）图像的自动分割性能。通过迭代训练CNN，从MDPMs中恢复裁剪图像块的中心像素标签，该方法显著提高了膜分割的准确性，在连接组学应用中表现优于基线方法。

ABSTRACT

To build the connectomics map of the brain, we developed a new algorithm that can automatically refine the Membrane Detection Probability Maps (MDPM) generated to perform automatic segmentation of electron microscopy (EM) images. To achieve this, we executed supervised training of a convolutional neural network to recover the removed center pixel label of patches sampled from a MDPM. MDPM can be generated from other machine learning based algorithms recognizing whether a pixel in an image corresponds to the cell membrane. By iteratively applying this network over MDPM for multiple rounds, we were able to significantly improve membrane segmentation results.

研究动机与目标

• 解决在连接组学中电子显微镜（EM）图像自动分割的准确性挑战。
• 提升先前机器学习方法生成的膜检测概率图（MDPMs）的质量。
• 开发一种深度学习框架，通过迭代优化MDPMs以提高分割精度。
• 实现在EM图像堆栈上高精度、自动化的神经回路重建。
• 通过提升算法分割性能，减轻大规模脑成像中的手动标注负担。

提出的方法

• 训练一个监督式卷积神经网络（CNN），以预测从MDPMs中采样图像块的中心像素标签。
• 从MDPMs中提取图像块，并在训练过程中掩码中心像素，以模拟缺失标签的恢复。
• 将训练好的CNN在多轮迭代中应用于完整的MDPM，以逐步优化分割结果。
• 每次迭代均使用CNN的预测结果更新MDPM，从而提升空间一致性和膜的连续性。
• 该方法利用图像块中的局部上下文信息，纠正错误并增强在噪声EM图像中的边界检测。
• 迭代过程使网络能够逐步学习并修正MDPM中误分类的区域。

实验结果

研究问题

• RQ1 深度学习模型能否有效优化膜检测概率图（MDPMs），以提升EM图像分割性能？
• RQ2 对MDPMs迭代应用CNN如何影响分割准确性和膜的连续性？
• RQ3 所提出的方法在EM图像数据上相较于基线分割算法的性能提升程度如何？
• RQ4 基于图像块的CNN方法能否在噪声EM图像中高精度恢复缺失的膜标签？
• RQ5 对MDPMs进行迭代优化是否能带来更一致且更符合生物学特性的神经结构重建？

主要发现

• 与基线方法相比，迭代CNN方法在EM图像数据集上的膜分割准确性显著提升。
• 该方法在多个测试集中实现了更高的F1分数并降低了假阳性率。
• 迭代优化使膜结构更加连续和连贯，减少了分割中的碎片化现象。
• CNN在未见过的EM图像块上表现出强大的泛化能力，表明其对图像变化具有鲁棒性。
• 该方法通过提升自动化分割质量，显著减少了连接组学流程中对手动修正的需求。
• 结果表明，基于图像块的CNN进行迭代优化，对大规模EM图像分析具有显著有效性。