التمييز بين الصور على نطاق واسع باستخدام التعلم العميق المستند إلى الخسارة المهيكلة لإعادة بناء الاتصال العصبي

نقدم طريقة تجمع بين التنبؤ بالارتباط وإجمالي المناطق، مما يحسن بشكل كبير على أحدث التقنيات في تقسيم الخلايا العصبية من الصور الإلكترونية المجهرية (EM) من حيث الدقة والقابلية للتوسع. تتكون طرقتنا من شبكة U-NET ثلاثية الأبعاد، تم تدريبها لتنبؤ الارتباطات بين البكسلات، متبوعة بإجمالي المناطق بطريقة تكرارية. نقوم بالتدريب باستخدام دالة خسارة مبنية على MALIS (خسارة MALIS)، تشجع على الحصول على تقسيمات صحيحة توبولوجياً من خلال وضع حدود للارتباطات. يتكون امتدادنا من جزأين: أولاً، نقدم طريقة شبه خطية لحساب تدرج الخسارة، مما يحسن على الخوارزمية الأصلية التربيعية. ثانياً، نحسب التدرج في مرحلتين منفصلتين لتجنب المساهمات غير الصحيحة للتدرج في مراحل التدريب الأولى. تكون تنبؤاتنا دقيقة بما يكفي بحيث أن إجمالي المناطق القائم على النسب المئوية بدون الحاجة إلى التعلم يتفوق على الطرق الأكثر تعقيدًا التي استخدمت سابقًا مع تنبؤات أقل دقة. نقدم نتائج على ثلاثة مجموعات بيانات مختلفة من الصور الإلكترونية المجهرية، حيث حققنا تحسينات نسبية بنسبة 27% و15% و250% مقارنة بالنتائج السابقة. تقترح نتائجنا أن يمكن تطبيق طريقة واحدة لكل من بيانات EM ذات الوجه الكتلية شبه الإيزوتروبية وبيانات EM المقسمة بالتتابع الأيزوتروبية. يتم توسيع وقت التشغيل لطرقتنا بشكل خطي مع حجم الحجم ويحقق معدل إنتاج يبلغ حوالي 2.6 ثانية لكل مليون بكسل، مما يجعل طرقتنا مؤهلة لمعالجة مجموعات البيانات الضخمة للغاية.