深度學習＿雙層卷積神經網路(CNN) 預測三維神經影像的神經端點
在神經科學的領域中，3維神經影像重建(reconstruction)或稱為神經影像追蹤(neuron tracing)對於研究神經的功能與大腦如何運作極為重要。再進行神經影像重建時，需要神經分支上神經端點(terminal pints)的資訊，現有檢測神經端點的方法僅僅能用在二維影像，三維影像上的預測仍有許多限制。
作者利用雙層卷積神經網路，達到預測3維神經影像(volumetric images)中神經端點的位置。
第一層CNN：為了降低電腦運算量與減少儲存資料所好費的的資源，將輸入的資料分成以”待預測點”為中心，對x,y,z軸做切面的3張二維影像，並將此切面分別旋轉正負45度，最後形成9張二維影像作為輸入。此層CNN最後輸出可能的神經端點。
第二層CNN：以可能的神經端點為中心，再以xy為平面取上下4格的距離取出9張二維影像，若此點為True神經端點，則此9張所標示的點都應該為神經端點而非背景雜訊。此層最後輸出預測的神經端點。
最後與另外兩種預測神經端點方法做比較(ray-shooting與HKS based detection)，此方法在準確率與效率上都有顯著的成績。另外值得注意的是本篇利用2維影像作為輸入，目的除了降低若使用3維數據所需的運算量，在應用層面上的難易度2維數據更好在實作方面達成。
最後期待未來機器學習技術能在神經科學上有更好的應用。
撰稿人:李堅百
原始文獻:Tan, Y., et al. Convolutional Neural Network Cascade Based Neuron Termination Detection in 3D Image Stacks. in 2018 25th IEEE International Conference on Image Processing (ICIP). 2018.
網址來源: https://ieeexplore.ieee.org/document/8451111
作者利用雙層卷積神經網路，達到預測3維神經影像(volumetric images)中神經端點的位置。
第一層CNN：為了降低電腦運算量與減少儲存資料所好費的的資源，將輸入的資料分成以”待預測點”為中心，對x,y,z軸做切面的3張二維影像，並將此切面分別旋轉正負45度，最後形成9張二維影像作為輸入。此層CNN最後輸出可能的神經端點。
第二層CNN：以可能的神經端點為中心，再以xy為平面取上下4格的距離取出9張二維影像，若此點為True神經端點，則此9張所標示的點都應該為神經端點而非背景雜訊。此層最後輸出預測的神經端點。
最後與另外兩種預測神經端點方法做比較(ray-shooting與HKS based detection)，此方法在準確率與效率上都有顯著的成績。另外值得注意的是本篇利用2維影像作為輸入，目的除了降低若使用3維數據所需的運算量，在應用層面上的難易度2維數據更好在實作方面達成。
最後期待未來機器學習技術能在神經科學上有更好的應用。
撰稿人:李堅百
原始文獻:Tan, Y., et al. Convolutional Neural Network Cascade Based Neuron Termination Detection in 3D Image Stacks. in 2018 25th IEEE International Conference on Image Processing (ICIP). 2018.
網址來源: https://ieeexplore.ieee.org/document/8451111
留言
張貼留言