Automated methods for neuron segmentation and analysis of electron microscope images
Notice bibliographique
Résumé
To study changes in neuron size, number and distribution over a wide range of animal sizes, it is necessary for us to identify the axons and myelin of each neuron in electron microscope images of nerve cross-sections. Current methods commonly in use involve manually labeling each axon, which is extremely time-consuming as a single nerve contains thousands of axons. In order to make this process more efficient, we developed a computer-assisted neuron segmentation and analysis method. First we acquired a set of sub-images with identical size and resolution using a scanning electron microscope. We then developed an algorithm which used cross-correlation to stitch the sub-images into large images containing whole neuron clusters for segmentation. We developed a second algorithm to pre-process the stitched image, then segment and individually label axons using combined morphological operations. The myelin of each neuron was also segmented using a region growing algorithm with the geometric centers of axons as seeds. The final output of our algorithm is a histogram of axon and myelin sizes. We used this method to analyze nerves from different animal species including elephant, rat and shrew [1]. The typical processing time for a 4~6 million-pixel image on a PC (1.66GHz Pentium M Processor, 1G RAM) was approximately 5 minutes. The mislabel rate (percentage of false detections plus failed detections) is currently under 10% and improving. The method was proven to be well-suited for studying the effect of animal size on axon size and number.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,005 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,004 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».