विशिष्ट 2D छवियों से घने 3D खंडन बनाने के लिए एक गहरे शिक्षण-आधारित रणनीति

सार घनत्व 3D पुनर्निर्माण जैविक इमेजिंग डेटा से उत्पादन करना एक चुनौतीपूर्ण उदाहरण खंडन कार्य है जो प्रभावी और सटीक गहरे शिक्षण-आधारित मॉडलों के लिए महत्वपूर्ण ग्राउंड-ट्रुथ प्रशिक्षण डेटा की आवश्यकता है। प्रशिक्षण डेटा उत्पन्न करने के लिए प्रत्येक वस्तु के उदाहरण को अनुक्रमिक अनुभाग छवियों में एनोटेट करने के लिए तीव्र मानव प्रयास की आवश्यकता होती है। हमारा ध्यान खासकर जटिल मस्तिष्क न्यूरोपिल पर है, जिसमें डेंड्राइट, एक्सोनल, और ग्लियल प्रक्रियाओं का एक विस्तृत इंटरडिजिटेशन शामिल है जिसे अनुक्रमिक अनुभाग इलेक्ट्रॉन माइक्रोस्कोपी के माध्यम से दृश्यता प्राप्त होती है। हमने कुछ वस्तुओं के एकल अनुभागों पर Sparse 2D एनोटेशन से तेज़ी से घने 3D खंडन उत्पन्न करने के लिए एक नया गहरे शिक्षण-आधारित तरीका विकसित किया। तेजी से उत्पन्न खंडनों पर प्रशिक्षित मॉडल ने विशेषज्ञ घने ग्राउंड-ट्रुथ एनोटेशन पर प्रशिक्षित लोगों के समान सटीकता हासिल की। एनोटेशन उत्पन्न करने के लिए मानव समय को तीन क्रम में कम किया गया और इसे गैर-विशेषज्ञ एनोटेटर्स द्वारा उत्पन्न किया जा सकता था। यह क्षमता बड़े इमेज वॉल्यूम के लिए प्रशिक्षण डेटा उत्पन्न करने को लोकतांत्रिक बनाएगी, जो मस्तिष्क सर्किट और सर्किट मजबूतियों के माप को प्राप्त करने के लिए आवश्यक है।