文献类型：期刊文章

作　　者：尤珍臻[1] 姜明[2] 石争浩[1] 都双丽[1] 赵明华[1]

You Zhenzhen;Jiang Ming;Shi Zhenghao;Du Shuangli;Zhao Minghua(Shaanxi Key Laboratory for Network Computing and Security Technology,School of Computer Science and Engineering,Xi'an University of Technology,Xi'an 710048;National Laboratory of Radar Signal Processing,Xidian University,Xi'an 710071)

机构地区：[1]西安理工大学计算机科学与工程学院陕西省网络计算与安全技术重点实验室,西安710048 [2]西安电子科技大学雷达信号处理国家重点实验室,西安710071

出　　处：《计算机辅助设计与图形学学报》

基　　金：国家自然科学基金(12203038,62076198);陕西省自然科学基础研究计划(2023-JC-YB-572,2022JQ-049);陕西省自然科学基金重点项目(2020GXLH-Y005);陕西省教育厅重点实验室基金(20JS086)西安市碑林区应用技术研发项目(GX2244);广东省基础与应用基础研究基金(2021A1515110057)。

年　　份：2025

卷　　号：37

期　　号：6

起止页码：983-993

语　　种：中文

收录情况：BDHX、BDHX2023、核心刊

摘　　要：神经元语义分割是实现神经元精确实例分割的关键环节.然而,大脑结构复杂,全脑神经元语义分割自动化非常具有挑战性.针对神经元类内差异大、类间差异小、在不同解剖区域分布不均匀的特征,提出一种多尺度分割和误差引导生成对抗网络的神经元分割模型.首先应用基于双注意力门的多尺度分割和误差引导的框架作为生成器,预测神经元分割结果、假阴错误和假阳错误,根据三者结果通过迭代的方式改善神经元语义分割结果;然后将生成的分割结果、真值图分别与原始图像相乘,作为判别器的2个输入,通过多层卷积操作计算二者差异,区分生成的分割结果和真值图.在猕猴大脑数据集上的实验结果表明,与U-Net等其他模型相比,该模型得到的全脑神经元分割性能指标均有不同程度的提升,尤其对于浅色神经元,神经元分割性能得到了较大的提升,与8种参考模型相比, Dice值分别提升了20.3%, 1.2%, 15.5%, 2.5%, 8.2%, 159.2%, 0.8%和13.1%.应用所提模型得到的全脑神经元的分割结果,可以进一步用于神经元的实例分割、形态学分析等研究.

关 键 词：神经元语义分割  生成对抗网络  猕猴大脑显微图像  

分 类 号：TP391.41]