基于深度学习的轴突三维图像分割与重构

摘要：

目的:设计适用于神经轴突荧光显微图像三维分割任务的深度神经网络(DNN),提高神经轴突自动重构的准确性.方法:将三维图像分割任务转化为在3个正交投影方向上的二维分割任务,在开源网络Deep-MACT的基础上,利用多通道输入降低压缩维度上的信息损失,利用神经轴突骨架加权的损失函数训练以强调神经骨架连贯性,提出SWCUnet.采用转盘共聚焦荧光显微成像采集的小鼠大脑稀疏标记神经元神经轴突部分49个图块作为数据集,以人工标注的形态重构结果作为金标准训练网络.对网络模型输出的二维分割图像进行三维复原,并以三维分割结果输入MOST算法进行自动重构.结果:SWCUnet(32通道,骨架权重5)三维分割F1-score达到0.662,较DeepMACT提升0.132.基于三维分割结果的自动重构F1-score达到0.80,比基于原图的自动重构提升0.24.结论:SWCUnet可以较好地提取高分辨荧光显微图像中的神经轴突特征,输出的三维分割结果实现了大幅提升神经轴突骨架形态的自动重构准确率的目标,为小鼠大脑稀疏标记神经元全脑成像数据的大规模自动化重构提供了一种新工具.

关键词：深度学习、神经轴突、图像分割、重构、SWCUnet、小鼠

所属期刊栏目：36

资助基金：清华大学IDG/麦戈文“Brain+X”种子基金

在线出版日期：2020-07-10（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：261-269