[论文笔记]神经元重建——DL Segmentation Improves Reconstruction

Li R, Zeng T, Peng H, et al.
Deep Learning Segmentation of Optical Microscopy Images Improves 3-D Neuron Reconstruction[J]. IEEE Transactions on Medical Imaging, 2017, 36(7): 1533-1541.

概述：

本文的主要思想是——分割（Deep learning）+重建（传统追踪算法）。3D-FCN(fully concolutional network，全卷积网络)进行逐像素分割，网络采用了inception模块和residual learning模块解决网络层数加深带来的问题，并加入deconvolutioal layer实现端对端操作（输入输出图像大小一致）；

算法步骤：

文章提出的几个问题：

• CNN用于神经元图像分割的困难主要有：一是需要不同尺度的filters提取特征（主干细长，分支和bifurcation需要在小尺度上提取
  局部信息）；二不同种类的样本之间差异过大；三是数据集中的图像质量相差较大（例如图像强度）。
• inception模块使用不同尺度的卷积核进行特征提取；
• 在loss层对前景和背景使用不同的权重，以解决前景和背景部分的像素数量不平衡问题。
• 本文使用的评价指标：entire structure average、different structure、percentage of different structures。