• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Medical image analysis >Large-scale automatic reconstruction of neuronal processes from electron microscopy images
【24h】

Large-scale automatic reconstruction of neuronal processes from electron microscopy images

机译：从电子显微镜图像大规模自动重建神经元过程

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Automated sample preparation and electron microscopy enables acquisition of very large image data sets. These technical advances are of special importance to the field of neuroanatomy, as 3D reconstructions of neuronal processes at the nm scale can provide new insight into the fine grained structure of the brain. Segmentation of large-scale electron microscopy data is the main bottleneck in the analysis of these data sets. In this paper we present a pipeline that provides state-of-the art reconstruction performance while scaling to data sets in the GB-TB range. First, we train a random forest classifier on interactive sparse user annotations. The classifier output is combined with an anisotropic smoothing prior in a Conditional Random Field framework to generate multiple segmentation hypotheses per image. These segmentations are then combined into geometrically consistent 3D objects by segmentation fusion. We provide qualitative and quantitative evaluation of the automatic segmentation and demonstrate large-scale 3D reconstructions of neuronal processes from a 27, 000 mu m(3) volume of brain tissue over a cube of 30 mu m in each dimension corresponding to 1000 consecutive image sections. We also introduce Mojo, a proofreading tool including semi-automated correction of merge errors based on sparse user scribbles. (C) 2015 Elsevier B.V. All rights reserved.
机译：自动化的样品制备和电子显微镜可以采集非常大的图像数据集。这些技术进步对神经解剖学领域特别重要，因为纳米级神经元过程的3D重建可以提供对大脑细颗粒结构的新见解。大规模电子显微镜数据的分割是分析这些数据集的主要瓶颈。在本文中，我们提出了一种管道，该管道可提供最先进的重建性能，同时可扩展至GB-TB范围内的数据集。首先，我们在交互式稀疏用户注释上训练随机森林分类器。在条件随机场框架中，将分类器输出与各向异性平滑先验组合，以针对每个图像生成多个分割假设。然后，通过分段融合将这些分段组合成几何上一致的3D对象。我们提供了自动分割的定性和定量评估，并展示了神经元过程的大规模3D重建，该过程是从27，000μm（3）体积的脑组织在每个对应于1000个连续图像部分的30μm多维数据集中进行的。我们还将介绍Mojo，这是一种校对工具，包括基于稀疏用户涂抹的合并错误的半自动校正。 （C）2015 Elsevier B.V.保留所有权利。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号