[论文解读] What Properties are Desirable from an Electron Microscopy Segmentation Algorithm

Toufiq Parag|arXiv (Cornell University)|Mar 18, 2015

Advanced Electron Microscopy Techniques and Applications参考文献 32被引用 3

一句话总结

本文提出了一种基于主动学习的电子显微镜分割训练框架，优先最小化错误合并（过分割）而非错误分裂（欠分割），采用稀疏且具有策略性的像素与超像素边界标注。该方法减少了对全面真实标注的依赖，生成的分割结果显著更适用于神经重建，优于现有方法。

ABSTRACT

The prospect of neural reconstruction from Electron Microscopy (EM) images has been elucidated by the automatic segmentation algorithms. Although segmentation algorithms eliminate the necessity of tracing the neurons by hand, significant manual effort is still essential for correcting the mistakes they make. A considerable amount of human labor is also required for annotating groundtruth volumes for training the classifiers of a segmentation framework. It is critically important to diminish the dependence on human interaction in the overall reconstruction system. This study proposes a novel classifier training algorithm for EM segmentation aimed to reduce the amount of manual effort demanded by the groundtruth annotation and error refinement tasks. Instead of using an exhaustive pixel level groundtruth, an active learning algorithm is proposed for sparse labeling of pixel and boundaries of superpixels. Because over-segmentation errors are in general more tolerable and easier to correct than the under-segmentation errors, our algorithm is designed to prioritize minimization of false-merges over false-split mistakes. Our experiments on both 2D and 3D data suggest that the proposed method yields segmentation outputs that are more amenable to neural reconstruction than those of existing methods.

研究动机与目标

• 减少在EM分割中对真实标注和错误修正所必需的人工工作量。
• 解决错误合并与错误分裂在修正难度上的不平衡问题，优先最小化欠分割错误。
• 开发一种训练框架，在最小化全面像素级标注的前提下实现高质量的分割。
• 提升分割结果对下游神经重建任务的适用性。
• 实现在不牺牲准确性的前提下，实现高效且可扩展的分割模型训练。

提出的方法

• 使用主动学习选择少量、具有信息量的像素和超像素边界进行标注，而非要求完整的像素级真实标注。
• 优先在分类器与标签传播结果不一致的位置进行查询，聚焦于模糊或具有挑战性的区域，如膜边界和暗色调区域。
• 采用两阶段置信度估计：首先使用标签传播算法，再使用随机森林分类器，以识别不确定或冲突的预测。
• 整合不确定性采样，选择最具信息量的样本供人工标注，提升模型效率。
• 设计训练目标以最小化错误合并错误，认识到其在3D连接组学中更高的修正成本。
• 利用超像素过分割作为基础，通过自动聚合或共分割实现高效优化。

实验结果

研究问题

• RQ1 如何通过减少对全面真实标注的需求，使EM分割训练更加高效？
• RQ2 在3D EM分割中，修复错误合并与错误分裂错误所需的修正工作量有何差异？
• RQ3 通过具有策略性的查询选择，主动学习能否显著减少人工标注量，同时保持或提升分割质量？
• RQ4 优先最小化错误合并在多大程度上提升了分割结果对神经重建的适用性？
• RQ5 结合标签传播与分类器的混合置信度估计方法，能否有效提升对具有信息量训练样本的选择？

主要发现

• 所提方法生成的分割结果比现有方法更适用于神经重建，尤其得益于显著减少的错误合并错误。
• 在3D中，错误合并错误比错误分裂错误更难修复且耗时更长，验证了优先最小化此类错误的设计选择。
• 主动学习策略成功识别出具有挑战性的区域（如膜边界和暗色调区域），这些区域最需要人工标注。
• 通过聚焦于稀疏但高影响力的标注样本，该方法显著减少了对全面真实标注的需求，提升了训练效率。
• 标签传播与随机森林模型之间的置信度差异能有效突出模糊或误分类区域，从而改善查询选择。
• 该框架支持更快、可扩展的分割模型训练，适用于大规模连接组学的迭代优化。