20200115讨论

[xutq]

根据刚才的讨论，我总结了一下主要内容。

术语

图像

层 (channel/slice) 指每张2D的图像，即扫描时的每一层；体帧 (frame/volume) 指由连续的层组成的3D图像。样本有30个体帧，每个体帧有23个层。

神经元和框 (box) 标记简述

神经元

• 每个神经元有自己的标号 (index)
• 神经元可能存在于1个或者连续多个层内
• 若某个神经元在连续多个层出现，则标号在中间层，称为主层。

框 (box)

box是一个结构体包括：

• isinlier: ture/false，表示该框是否是主层
• idx：index序号，表示该框属于哪一个神经元
• slice: 层标记，表示该框处于哪一层
• identifier：序号，每个框的独特id，在标记过程中使用。
• position: 该框的坐标

当前结果

方法

1. 在一个体帧的每个层内做分别做检测
2. 得到检测结果后根据IOU>0.05将每个层的结果合并（merge），最后得到该体帧的最终检测结果。

结果

精度(precision)：71.4%，召回(recall)：94.6%。平均每个volume检测出128个神经元。

改进空间

在保证召回率的同时提高精度。

改进方法

主要改进第2步。

挑选出可以被稳定检测的子集

1. 找到一些能够在多个体帧被稳定检测到的True positive神经元，比如说有200个这样的神经元
2. 还是以200个稳定检测的神经元为例，用这些神经元去训练一个200类分类器。
3. 得到200类分类器后，对新的一个体帧来说，假设一共检测到300个神经元，那么可以用匹配的方法将这300个神经元reduce到200个神经元。

channel-wise 对齐

针对层之间的漂移，对每个体帧内的相邻层做对齐，将层与层之间的相对移动消除。这样或许可以改进IOU的阈值，提高合并准确性。