Großmaßstäbliche Bildsegmentierung mit strukturierten Verlustfunktionen basierend auf tiefem Lernen für die Rekonstruktion von Connectomen

Wir präsentieren eine Methode, die Affinitätsvorhersage mit regionaler Agglomeration kombiniert und die Genauigkeit und Skalierbarkeit der Neuronensegmentierung aus Elektronenmikroskopie (EM) erheblich verbessert. Unser Verfahren besteht aus einem 3D U-Netz, das zum Vorhersagen von Affinitäten zwischen Voxel trainiert wird, gefolgt von iterativer regionaler Agglomeration. Wir trainieren mit einem strukturierten Verlust basierend auf MALIS, um topologisch korrekte Segmentierungen durch Affinitätsschwellwertbildung zu fördern. Unsere Erweiterung besteht aus zwei Teilen: Erstens präsentieren wir eine quasilineare Methode zur Berechnung des Verlustgradienten, die den ursprünglichen quadratischen Algorithmus verbessert. Zweitens berechnen wir den Gradienten in zwei getrennten Durchläufen, um im frühen Trainingsstadium unerwünschte Gradientenbeiträge zu vermeiden. Unsere Vorhersagen sind so genauer, dass eine einfache lernfreie percentilbasierte Agglomeration bessere Ergebnisse als komplexere Methoden liefert, die bei weniger genauen Vorhersagen früher verwendet wurden. Wir präsentieren Ergebnisse auf drei verschiedenen EM-Datensätzen und erreichen relative Verbesserungen gegenüber vorherigen Ergebnissen von 27 %, 15 % und 250 %. Unsere Befunde deuten darauf hin, dass ein einzelnes Verfahren sowohl auf fast isotrope Blockface-EM-Daten als auch auf anisotrope serielle Schnitt-EM-Daten angewendet werden kann. Die Laufzeit unserer Methode skaliert linear mit der Größe des Volumens und erreicht eine Durchsatzrate von etwa 2,6 Sekunden pro Megavoxel, was unsere Methode für die Verarbeitung sehr großer Datensätze qualifiziert.