[论文解读] Morphological Error Detection in 3D Segmentations

David Rolnick, Yaron Meirovitch+6 more|arXiv (Cornell University)|May 30, 2017

Cell Image Analysis Techniques参考文献 29被引用 20

一句话总结

本文提出MergeNet，一种3D卷积神经网络，通过从二值掩码中学习高层次形态学模式来检测神经元分割中的合并错误，实现在无需人工标注的情况下跨数据集的无监督、可泛化的错误定位。该方法在识别复杂合并配置方面表现出高精度，甚至能纠正其自身训练数据中的错误。

ABSTRACT

Deep learning algorithms for connectomics rely upon localized classification, rather than overall morphology. This leads to a high incidence of erroneously merged objects. Humans, by contrast, can easily detect such errors by acquiring intuition for the correct morphology of objects. Biological neurons have complicated and variable shapes, which are challenging to learn, and merge errors take a multitude of different forms. We present an algorithm, MergeNet, that shows 3D ConvNets can, in fact, detect merge errors from high-level neuronal morphology. MergeNet follows unsupervised training and operates across datasets. We demonstrate the performance of MergeNet both on a variety of connectomics data and on a dataset created from merged MNIST images.

研究动机与目标

• 为解决自动化3D神经元分割中普遍存在的合并错误这一长期挑战，此类错误虽常见但现有方法难以检测。
• 开发一种方法，利用形态学直觉——即从类人感知神经元形状中学习——而不依赖膜预测或图像数据。
• 实现在任何合理准确的分割结果上进行无监督训练，实现无需额外人工标注的错误检测与纠正。
• 创建一种可泛化、可扩展的解决方案，适用于多样化数据集和分割算法，独立于成像模态或网络架构。

提出的方法

• MergeNet使用3D卷积神经网络分析二值分割掩码，聚焦于全局形态学上下文，而非体素级别的膜预测。
• 网络仅使用分割掩码进行无监督训练，学习区分合理的神经元形状与合并形态。
• 通过生成概率图定位合并错误，其中高值区域表示可能存在多个神经元错误融合的区域。
• 该模型能够检测其自身训练数据中的错误，即使这些错误在训练期间未被显式标注。
• 通过学习不变的形态学特征实现在不同数据集间的泛化，实现无需微调即可部署于新数据。
• 该架构针对速度进行优化，在单张GPU上每秒可处理高达三百万个体素，适用于大规模连接组学流程。

实验结果

研究问题

• RQ1 深度学习模型能否通过学习高层次形态学模式而非低层次图像特征，检测3D神经元分割中的合并错误？
• RQ2 3D卷积神经网络在无显式监督的情况下，能多大程度检测到多样且复杂的合并构型——如并行、垂直或多重对象融合？
• RQ3 该模型能否检测其自身训练数据中的错误，即使这些错误未被标注，从而体现自我纠正能力？
• RQ4 该模型在不同数据集和分割算法间的泛化能力如何？是否可在无需微调的情况下部署？
• RQ5 该模型能否仅基于形态学合理性，检测非神经元对象（如胶质细胞）作为异常，尽管未在这些类别上进行过训练？

主要发现

• MergeNet成功检测到多种合并错误构型，包括并行、垂直和多重对象融合，该结果在连接组学和基于MNIST的数据集中均得到验证。
• 该模型在定位合并错误方面表现出高精度，可视化结果清晰显示了X型接合处和复杂融合区域等易错区域的精确定位。
• 它无需任何人工标注即可检测并定位自身训练数据中的错误，通过无监督学习展现出自我纠正能力。
• 该算法在不同数据集和分割方法间具有泛化能力，即使应用于不同来源和成像模态的数据，仍能保持高性能。
• MergeNet还能检测非神经元对象（如胶质细胞）为形态学上不合理的异常，尽管未在这些类别上进行过训练，表明其对形状异常具有潜在的涌现泛化能力。
• 该系统在单张GPU上每秒处理三百万个体素，处理速度优于许多基于膜预测的系统，可无缝集成至可扩展的连接组学工作流中。