小白導讀

論文是學術研究的精華和未來發展的明燈。小白決心每天為大家帶來經典或者最新論文的解讀和分享，旨在幫助各位讀者快速瞭解論文內容。個人能力有限，理解難免出現偏差，建議對文章內容感興趣的讀者，一定要下載原文，瞭解具體內容。

摘要

背景與目的：隨著電子顯微鏡(EM)成像技術的發展，神經科學家可以在奈米尺度上研究各種細胞內細胞器，如線粒體的功能。電子顯微鏡的語義分割是有效獲取可靠形態學統計資訊的重要步驟。儘管深度卷積神經網路(CNNs)取得了巨大的成功，但它們仍然產生了大量不連續性和線粒體分割假陽性的粗糙分割。

方法：在本研究中，我們引入一箇中心線感知的多工網路，利用中心線作為線粒體的內在形狀線索來規則分割。由於3D CNNs在大醫療容量上的應用通常受到其大量計算成本和儲存開銷的阻礙，我們引入了一種新的分層檢視整合卷積(HVEC)，這是一種使用更有效的2D卷積學習3D空間上下文的3D卷積的簡單替代方法。HVEC能夠分解和共享多檢視資訊，提高了學習能力。

結果：在兩個具有挑戰性的基準測試上的廣泛驗證結果表明，與最先進的方法相比，本文提出的方法在精度和視覺質量方面表現良好，但模型尺寸大大減少。此外，該模型的泛化能力也有明顯提高，特別是在訓練資料量相當有限的情況下。詳細的敏感性分析和消融研究也進行了，這表明了所提模型的穩健性和所提模組的有效性。

結論：實驗強調提出的架構既簡單又有效，從而提高了學習空間上下文的能力。此外，結合形狀線索，如中心線資訊是一個有希望的方法，以提高線粒體分割的效能。

論文創新點

我們提出利用內在形狀線索來提高分割精度和泛化能力，並開發了一種新的中心線感知的分割網路。為了實現一個輕量級的三維分割網路，我們引入了一個新的HVEC模組，這是一個簡單的3D卷積的替代選擇，只使用2D卷積來學習3D空間上下文，以減少引數的數量，並促進多檢視資訊聚合。儘管訓練資料相當有限，但與目前的技術水平相比，透過在兩個公開的基準上使用擬議的蜂巢網，已經獲得了非常有前途的表現

網路結構

我們的hive網路的整體架構，整合了兩個密切相關的任務，用於線粒體的三維分割。利用中心線檢測分支編碼固有形狀知識，抑制分割過程中的不連續和誤報。一種新型的HVEC模組只涉及2D卷積，是基本的構建塊，用彩色的立方體表示，下面的數字是特徵通道的數量。每個HVEC模組由兩個HVEC組成，作為短連線的子塊，交叉它們進行剩餘學習。

我們的分層檢視整合卷積(HVEC)的多分支架構。為了提取多檢視多尺度的上下文特徵，我們並行進行了3個不同的2 (2D)空間卷積，對應於對三維體的三個正交檢視進行操作，對具有層次連線的特徵通道的不同子組進行操作。第四個分支是在一個焦點檢視上提取多尺度上下文特徵。

實驗結果

在EPFL資料集(第一行和第二行)和Kasthuri++資料集(第三行和最後一行)上，我們的分割結果與其他方法的視覺化比較。在第一行和第三行，紅色的等高線表示地面真實值，綠色的等高線表示比較方法的結果。第二行和第四行是每種方法的分割和地面真實的三維視覺化。(b)-(e)列中的紅色片段和藍色片段分別是假陰性和假陽性預測。真正積極的預測用綠色表示。

EPFL資料集上不同線粒體分割方法的比較。報告了在類級度量，即DSC和JAC，以及例項級度量，即AJI和PQ下的評價結果

kasthuri++資料集上不同線粒體分割方法的比較。報告了在類級度量(即DSC和JAC)和例項級度量(即AJI和PQ)下的結果

結論

在這篇論文中，我們提出了一種端到端可訓練的形狀感知網路，用於從EM影象中提取線粒體的三維分割。除了主要的分割流之外，我們的網路透過使用專用的中心線檢測流明確地解釋內在形狀資訊。此外，兩個密切相關的任務之間的共享特徵編碼器不僅可以得到更好的可判別性特徵表示，而且提高了模型的魯棒性和泛化能力。透過使用新型HVEC模組替代3D卷積，我們實現了具有較少可學習引數和較低計算複雜度的輕量級3D分割模型。此外，所提出的HEVC可以與任意三維卷積網路整合。實驗表明，我們的體系結構可以在兩個具有挑戰性的基準上獲得最先進的結果，並且在訓練資料量相當有限的情況下也能顯著提高泛化能力。該演算法的一個侷限性是隻使用了中心線作為形狀知識，對分割結果的邊界適應度影響不大。

未來的研究重點是:

在保持能力的同時，將其擴充套件到2D網路;將其擴充套件到只有點註釋的弱監督場景;在2D變體中融入完整的形狀知識。

論文下載：https://arxiv.org/abs/2101.02877