[论文解读] Fast Mitochondria Segmentation for Connectomics.

Vincent Casser, Kai Kang+2 more|arXiv (Cornell University)|Dec 14, 2018

Cell Image Analysis Techniques参考文献 9被引用 13

一句话总结

本文提出了一种快速、全自动的线粒体分割方法，用于连接组学，采用改进的U-Net架构，在每张512×512图像块上推理速度低于16ms，Jaccard指数最高达0.90，快于电子显微镜的采集时间，使实时检测成为可能，并优于以往的实时方法。

ABSTRACT

In connectomics, scientists create the wiring diagram of a mammalian brain by identifying synaptic connections between neurons in nano-scale electron microscopy images. This allows for the identification of dysfunctional mitochondria which are linked to a variety of diseases such as autism or bipolar. However, manual analysis is not feasible since connectomics datasets can be petabytes in size. To process such large data, we present a fully automatic mitochondria detector based on a modified U-Net architecture that yields high accuracy and fast processing times. We evaluate our method on multiple real-world connectomics datasets, including an improved version of the EPFL Hippocampus mitochondria detection benchmark. Our results show a Jaccard index of up to 0.90 with inference speeds lower than 16ms for a 512x512 image tile. This speed is faster than the acquisition time of modern electron microscopes, allowing mitochondria detection in real-time. Compared to previous work, our detector ranks first among real-time methods and third overall. Our data, results, and code are freely available.

研究动机与目标

• 解决处理大规模拍字节级连接组学数据集的挑战，其中手动线粒体分割不可行。
• 实现实时检测电子显微镜图像中的线粒体，以支持大规模脑连接图谱分析。
• 在现有方法的基础上，提升分割精度和速度，特别是在实时应用方面。
• 提供一种完全自动化的解决方案，支持与神经疾病相关的线粒体功能障碍的识别。

提出的方法

• 采用改进的U-Net架构，通过优化以提升电子显微镜图像中线粒体分割的速度与精度。
• 优化网络架构，使每张512×512图像块的推理时间低于16ms，超过现代电子显微镜的采集速率。
• 在多个真实世界的连接组学数据集上进行模型训练与评估，包括改进版的EPFL海马体基准数据集。
• 使用Jaccard指数作为主要评估指标，量化分割结果与真实标注的重叠程度。
• 利用数据增强和迁移学习技术，提升模型在多种组织类型上的泛化能力。
• 发布所有训练数据、模型权重和代码，以确保可复现性并促进社区共享与使用。

实验结果

研究问题

• RQ1 基于深度学习的方法能否在实时推理速度下实现电子显微镜图像中高精度的线粒体分割？
• RQ2 与现有最先进方法相比，所提出方法在速度和分割精度方面表现如何？
• RQ3 该模型在多种连接组学数据集和组织类型上的泛化能力如何？
• RQ4 该方法能否以足够高的精度检测线粒体，以支持神经疾病中线粒体功能障碍的研究？

主要发现

• 所提出方法在评估数据集上的Jaccard指数最高达0.90，表明分割精度极高。
• 每张512×512图像块的推理速度低于16ms，快于现代电子显微镜的采集时间。
• 该方法在实时线粒体分割方法中排名第一，在整体性能中排名第三。
• 该模型在多个真实世界的连接组学数据集上表现出良好的泛化能力，包括改进版的EPFL海马体基准数据集。
• 作者发布了所有数据、结果和代码，支持可复现性，并推动了连接组学社区的广泛采用。