大規模画像セグメンテーションにおける接続体再構築のための構造化損失に基づく深層学習

私たちは、アフィニティ予測と領域凝集を組み合わせた方法を提案します。この方法は、電子顕微鏡（EM）からのニューロンセグメンテーションの精度とスケーラビリティにおいて、従来の最先端技術を大幅に上回ります。私たちの方法は、ボクセル間のアフィニティを予測するための3D U-NETによって構成され、その後反復的な領域凝集が行われます。訓練にはMALISに基づく構造化損失を使用し、アフィニティ閾値処理から得られるトポロジカルに正確なセグメンテーションを促進します。私たちの拡張は以下の2つの部分から成ります：第一に、損失勾配を計算する準線形アルゴリズムを提示し、元の二次アルゴリズムよりも改善しています。第二に、初期訓練段階での誤った勾配寄与を避けるために、勾配を2つの別々のパスで計算します。私たちの予測は十分に正確であり、単純な学習不要のパーセンタイルベースの凝集が以前使用されていた劣る予測に対してより複雑な手法よりも優れた性能を発揮します。3つの異なるEMデータセットにおける結果を示し、それぞれ前の結果に対して相対的に27%、15%、250%の改善を達成しました。これらの知見は、単一の方法がほぼ等方的なブロックフェイスEMデータと非等方的な連続断面EMデータ双方に適用可能であることを示唆しています。私たちの方法の実行時間は体積サイズに対して線形にスケールし、約2.6秒／メガボクセルという処理速度を達成しており、非常に大きなデータセットの処理にも適しています。