（通讯员 吴兴隆）深度卷积神经网络（DCNNs）被广泛应用于光学和电镜图像中致密神经组织的语义分割，其目的是实现全脑血管和神经网络的高效且准确的三维重建。到目前为止，这些语义分割任务的成功与否在很大程度上取决于输入DCNNs的人工标注的数量和质量。尤其是后者，对于高精度三维数字重建来说尤为重要。然而，对于稠密的神经组织，人工标注数据的金标准难以获得，往往需要投入大量的时间和精力。而且人类标注不可避免地存在误差甚至错误。这些有缺陷的标注数据将严重影响DCNNs的训练和模型性能的评估。

     我校计算机学院吴兴隆博士联合武汉光电国家实验室生物医学光子学功能实验室和武汉纺织大学团队成功发展了新的提升式深度学习框架用于系统性地提高人工标注数据的质量，从而最终达到提高分割任务性能的目的。近日，该研究成果以论文“Boosting Multilabel Semantic Segmentation for Somata and Vessels in Mouse Brain”在神经科学知名期刊Frontiers in Neuroscience（中科院二区,IF 3.9）上发表（论文链接https://www.frontiersin.org/articles/10.3389/fnins.2021.610122/full）

    该提升式框架包括一个用于多标签语义分割的DCNN，一个基于Dice-logarithmic的自定义多标签损失函数，一个标注数据融合模块（结合人工标注和DCNN预测结果；图1）和一个基于AdaBoost的提升算法（用于在模型训练迭代过程中对样本权值进行更新）。我们利用MOST数据集对提升式框架的有效性进行了评估。分析结果表明，即使对于有少量标注误差和错误的数据集，该框架对鼠脑的胞体和血管分割均取得了很好的性能，优于已有的类似模型。因此，该提升式深度学习框架的提出可以应用于鼠脑全脑大数据的三维重建（图2），

图1 三种不同的数据融合策略及其效果展示

图2 提升式框架在3D MOST数据块的血管和胞体重建效果展示

  该研究工作第一完成单位为武汉工程大学计算机科学与工程学院，得到了武汉光电国家研究中心开放基金(2018WNLOKF027)、国家自然科学基金(61890951和61371014)和国家自然科学基金创新群体项目（61721092）的支持。

（审稿人 卢涛）