本文主要研究大規(guī)模腦圖譜重建流程中的3D電子顯微鏡神經(jīng)圖像交互式分割問題。腦圖譜(或稱神經(jīng)回路)是理解生物大腦工作原理,揭示生命運行機制的關(guān)鍵,而腦圖譜重建是生物和計算機科學交叉研究的前沿熱點。目前,大規(guī)模、高密度的腦圖譜重建基于電子顯微鏡技術(shù)。相比于光學顯微鏡,高分辨率的電子顯微鏡一方面可以幫助我們獲得更豐富的神經(jīng)回路細節(jié),另一方面也大大增加了神經(jīng)圖像的規(guī)模。相關(guān)文獻指出,在基于電鏡的腦圖譜重建流程中,大規(guī)模神經(jīng)圖像的分割問題已經(jīng)成為當前限制腦圖譜重建規(guī)模的關(guān)鍵性瓶頸。雖然已有不少工作對電鏡神經(jīng)圖像的自動分割問題進行了研究,然而出于分割精度和質(zhì)量控制上的考慮,這類自動分割算法通常只被用作初始化步驟,提供初步分割結(jié)果。高質(zhì)量的分割結(jié)果由人類操作員使用交互式分割工具對初步結(jié)果進行修正而獲得。由于巨大的數(shù)據(jù)規(guī)模和當前交互式分割工具設計上的問題,該過程十分耗時耗力�？梢�,設計一款高效的、能夠應對大數(shù)據(jù)挑戰(zhàn)的電鏡神經(jīng)圖像交互式分割工具是當前腦圖譜重建領(lǐng)域具有重要意義的工作。對此,本文提出了一種層次化的交互式分割框架。該框架:(1)通過樹形結(jié)構(gòu)對分割過程進行分解,將基于原始體素的分割過程拓展到基...

【文章頁數(shù)】：84 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 腦圖譜重建的背景與意義
    1.2 腦圖譜重建流程與技術(shù)挑戰(zhàn)分析
        1.2.1 腦圖譜重建流程
        1.2.2 腦圖譜重建技術(shù)挑戰(zhàn)分析
    1.3 本文研究內(nèi)容與組織結(jié)構(gòu)
        1.3.1 研究內(nèi)容
        1.3.2 組織結(jié)構(gòu)
    1.4 本章小節(jié)
第2章 圖像分割算法與交互式分割框架研究綜述
    2.1 圖像分割問題
    2.2 經(jīng)典分割算法
        2.2.1 基于閾值的分割算法
        2.2.2 基于區(qū)域生長的分割算法
        2.2.3 基于邊界檢測的分割算法
        2.2.4 基于活動輪廓的分割算法
        2.2.5 基于圖模型的分割算法
    2.3 基于深度學習的分割算法
        2.3.1 邊界檢測網(wǎng)絡
        2.3.2 端到端分割網(wǎng)絡
        2.3.3 深度學習與經(jīng)典分割算法的融合模型
    2.4 圖像分割過程中的人機交互方法
        2.4.1 交互模型
        2.4.2 交互方法
    2.5 交互式分割框架
        2.5.1 交互式分割框架概述
        2.5.2 面向大規(guī)模腦圖譜重建的3D電鏡神經(jīng)圖像交互式分割框架
    2.6 本章小結(jié)
第3章 層次化交互式分割框架
    3.1 層次化交互式分割框架
        3.1.1 層次化分割的定義
        3.1.2 基于樹形結(jié)構(gòu)的層次化交互式分割框架
    3.2 超體素分割算法
        3.2.1 超體素分割算法
        3.2.2 實驗
    3.3 多尺度分水嶺算法
        3.3.1 二分割模型
        3.3.2 分水嶺算法
        3.3.3 多尺度分水嶺算法
    3.4 分割數(shù)據(jù)編碼方法
        3.4.1 分割數(shù)據(jù)編碼問題
        3.4.2 基于哈希索引和游程壓縮的編碼方法
        3.4.3 實驗
    3.5 本章小結(jié)
第4章 基于主動學習策略的深度交互式分割網(wǎng)絡
    4.1 基于主動學習策略的深度交互式分割網(wǎng)絡的背景和意義
    4.2 深度交互式分割網(wǎng)絡
        4.2.1 網(wǎng)絡結(jié)構(gòu)
        4.2.2 訓練數(shù)據(jù)
        4.2.3 損失函數(shù)
    4.3 基于信息熵的主動學習策略
        4.3.1 主動學習策略
        4.3.2 基于信息熵的查詢函數(shù)
    4.4 任意大小分割目標的生長
        4.4.1 動態(tài)Fov
        4.4.2 概率重寫
    4.5 實驗
        4.5.1 實驗數(shù)據(jù)
        4.5.2 模型訓練
        4.5.3 分割實驗
    4.6 本章小結(jié)
第5章 面向大規(guī)模分割任務的高拓展性計算服務模型
    5.1 高拓展性計算服務模型的設計背景與特點
    5.2 計算服務模型
        5.2.1 模型結(jié)構(gòu)與數(shù)據(jù)流
        5.2.2 任務實體
        5.2.3 任務狀態(tài)機
        5.2.4 基于RESTful APIs的調(diào)用接口
    5.3 深度交互式分割網(wǎng)絡計算服務實例
    5.4 本章小結(jié)
第6章 總結(jié)與展望
    6.1 本文工作總結(jié)
    6.2 未來工作展望
參考文獻
攻讀碩士學位期間主要的研究成果
致謝



本文編號：3797267