[论文解读] Multi-Hypothesis CRF-Segmentation of Neural Tissue in Anisotropic EM Volumes

Jan Funke, Bjoern Andres+3 more|arXiv (Cornell University)|Sep 12, 2011

Cell Image Analysis Techniques参考文献 13被引用 5

一句话总结

该论文提出了一种多假设CRF框架，用于各向异性电子显微镜体积中神经组织的联合分割与跨切片分配。通过在每个切片上使用不同的正则化参数生成多个分割假设，并利用整数线性规划求解全局最优分配，该方法在分割和分组准确性方面显著优于单假设方法，且在切片数量上具有摊销线性时间复杂度。

ABSTRACT

We present an approach for the joint segmentation and grouping of similar components in anisotropic 3D image data and use it to segment neural tissue in serial sections electron microscopy (EM) images. We first construct a nested set of neuron segmentation hypotheses for each slice. A conditional random field (CRF) then allows us to evaluate both the compatibility of a specific segmentation and a specific inter-slice assignment of neuron candidates with the underlying observations. The model is solved optimally for an entire image stack simultaneously using integer linear programming (ILP), which yields the maximum a posteriori solution in amortized linear time in the number of slices. We evaluate the performance of our approach on an annotated sample of the Drosophila larva neuropil and show that the consideration of different segmentation hypotheses in each slice leads to a significant improvement in the segmentation and assignment accuracy.

研究动机与目标

• 解决在各向异性EM图像堆栈中对神经过程进行精确3D分割与分组的挑战。
• 通过在每个切片中引入多个竞争性分割假设，降低对分割错误的敏感性。
• 利用概率CRF模型，联合优化分割与神经元组分的跨切片分配。
• 在保证可扩展性的同时，实现切片间全局最优且一致的解决方案，具备摊销线性时间性能。
• 实现从大规模EM数据集中鲁棒、高精度的神经回路重建。

提出的方法

• 通过在条件随机场（CRF）模型中改变正则化参数λN，并利用预训练的随机森林分类器提供像素级似然，为每个切片生成多个分割假设。
• CRF模型结合了数据保真度（特征的对数似然）、平滑性（基于空间梯度的边缘惩罚）以及通过λN实现的神经元大小先验。
• 通过热启动图割算法生成多个分割结果，从而在每个切片上形成嵌套的连通分量假设集合。
• 设计联合优化框架，通过二值分配变量与MAP推理公式，同时建模分割选择与跨切片组分分配。
• 将优化问题转化为整数线性规划（ILP），利用IBM CPLEX求解，以确保整数解与全局最优性。
• ILP公式包含对分配与分割变量的线性约束，成本项基于特征相似性与空间一致性计算得出。

实验结果

研究问题

• RQ1 在各向异性EM体积中，通过在每个切片中引入多个分割假设，是否能提升神经组织分割的准确性？
• RQ2 联合优化分割与跨切片分配是否能优于顺序或独立处理方式，实现更好的神经元组分分组？
• RQ3 能否利用摊销线性时间复杂度的整数线性规划，高效计算大规模EM堆栈的全局最优解？
• RQ4 在不同分割强度下，多假设方法与固定参数的单假设方法相比，性能表现如何？
• RQ5 与基线方法相比，该方法是否能有效减少神经元重建中的分裂与合并错误？

主要发现

• 所提出的多假设方法在所有测试的固定λN单假设配置中，均实现了更优的分割与分配准确性。
• 在全部参数范围内，该方法将编辑距离（衡量分裂与合并错误的指标）显著降低至最佳单假设运行结果之下。
• 推理时间随切片数量线性增长，实际验证了摊销线性时间性能。
• 该方法对参数变化表现出强鲁棒性，无任何单一固定λN设置能超越多假设策略的表现。
• 该方法在单切片分割与跨切片分配任务中，均有效减少了分裂与合并错误。
• 在每个切片中使用多个假设，显著降低了因局部参数不匹配而遗漏关键神经组分的风险。