【《一种基于多层级三维全卷积网络的神经元图像分割算法设计》10000字（论文）】

PAGEPAGE18一种基于多层级三维全卷积网络的神经元图像分割算法设计1绪论1.1研究背景及意义从公元前800年的古希腊的哲学家开始，人们就不断思考着人类思维的起源，由此兴起的是对大脑功能及结构的不断探索和研究。从1796年德国科学家弗朗兹·约瑟夫·加尔（Gall）首次提出“颅相学”的概念，到19世纪中期，电子显微镜的发明使人们对大脑的认知突破了形状、大小等宏观层面，开始深入到细胞维度的探索。1873年,意大利科学家高尔基(Golgi)发明了重铬酸银染色法，成功标记出了脑神经细胞，使得历史上人们第一次在显微镜下观察到神经元的胞体及树状结构。19世纪末期，被后世誉为“现代神经科学之父”的西班牙神经学家Cajar在重铬酸银染色法的技术基础之上进行改良，第一次观察并手绘出了完整的神经元细胞结构，从此翻开了神经科学研究领域的新篇章。Cajal后来称这种作为大脑结构功能最基本单位的细胞为神经元的说法也被沿用至今。近年来，随着计算机视觉学科和高精度光学显微镜制作工艺的迅猛发展，科学家对于大脑神经元图像的获取愈发便利。得益于此，生物医学图像领域也迎来了发展的新浪潮。在人工智能蓬勃兴起的当下，生物医学领域的科学家们开始追求利用计算机强大的数据处理能力和深度学习算法对三维神经元进行追踪与形态结构重建，以此得到比传统显微观测方法更直观、清晰的神经元三维空间姿态和结构。但是，想要用计算机从显微镜下观测到的图像中提取绘制出完整而清晰的神经元结构和大规模连接网络绝非易事，噪声信号的干扰、神经元结构断裂、弱信号等等问题是摆在当前生物医学图像研究领域研究前沿所面临的难题，而现有的神经元重建方法往往难以实现重建准确率与计算成本之间的平衡。19世纪，当人们第一次观测到神经元图像却因为仪器等客观条件限制而只能看到模糊的聚集成一团的块状物时，Golgi利用了银染色法将神经元标记凸显了出来。而今，面临着相似的问题，图像分割的技术被迅速引入生物医学图像研究领域，以期望能够解决三维神经元追踪与形态结构重建的难题。图1.1三维神经元结构重建示意图研究神经元图像分割的意义在于,我们通过对神经元图像进行分割,将神经元图像从背景当中提取出来，对其三维空间信号进行增强，这对于神经元形态重建的结果将有非常明显的提升。传统的图像分割方法已经能够很好的满足常规神经元图像的分割要求,但是，这些分割算法在处理具有挑战性的图片例如低信噪比或者弱信号图片时,其分割结果往往差强人意。因此，当今医学图像研究领域愈发渴求一种能够适应普遍情况的神经元图像分割方法，不仅在处理常规神经元图像时能够做到简单高效，在面对非常规的、具有挑战性的数据集时也能得到很好的分割结果。1.2神经元图像分割算法的发展1.2.1图像分割算法研究现状在我国计算机视觉领域，图像分割的技术应用问题已经发展成为了一个重要且具有挑战性的热点问题。所谓的图像分割就是指根据不同的特征,例如图像纹理、灰度等等,把图像中具有特征表现一致性或相似性的部分划分到同一区域，划分后的不同区域在特征表现上有明显的不同。简而言之就是对图像区域进行划分并提取出我们所需要特定对象。从图像的获取、预处理到后续深入的研究这一整个图像研究过程当中，图像分割是进行图像预处理工作的重要一环,高效而准确的分割结果不仅能够方便后续过程中对图像的进一步研究工作，其对于整个研究过程的准确性与效率性的提升也有着十分重要的作用。由于现有的图像分割技术本身的关键地位和挑战性,自20世纪70年代以来许多研究工作者就开始积极地从事与其相关领域的研究并且投入了大量的心血。然而迄今为止,仍然没有一个普遍而且完美的能够解决所有问题的图像分割方法。不过,经过长期的发展和实践研究,人们对于现代数字图像分割技术的普遍性特征和规律已经基本达成了一致意见,并在这个过程中也产生了许多新的研究成果，极大的丰富了研究人员在面对不同领域的图像处理问题时的算法选择。在生物医学图像处理领域，虽然常用的图像分割算法能够满足基础的医疗影像分割需求,适用于很多的场景，但仍然存在抗干扰能力较差、无监督学习能力薄弱等缺陷。而在神经元图像处理领域,由于大部分神经元图像具有前、背景体素差距过大、噪声干扰严重、突触图像易间断等问题,传统的图像分割技术很难高效地完成神经元图像分割的任务。幸运的是，随着计算机数据处理技术的成熟和人工智能时代的蓬勃兴起,深度机器学习慢慢地被运用于各种图像信号处理等信息技术应用领域。深度机器学习(DeepLearning)的概念起源于人工神经网络,属于人类机器深度学习组成的一部分。由于其强大的学习自主性,深度学习被应用在诸多领域。目前,国内外对三维神经元图像分割的深度学习算法的研究越来越多。Liu提出了一种TC-2.5DCNN来消除背景噪音并修复断裂的神经元结构，但是由于对三维图像处理能力的不足而导致三维信息的缺失可能会限制该网络的性能。Tan等人通过使用各向异性卷积核替换传统的卷积核，改进了3DU-Net的体系结构来提高分支点检测数目，但是神经元图像中前景类别和背景类别之间体素的不平衡可能会妨碍该网络对前景特征提取的有效性。同时,在处理具有挑战性的图片例如低信噪比与弱信号图片时,这些网络的分割结果往往差强人意。因此,急需研究出一种既简单又高效的神经元图像分割算法,使得在处理低信噪比与弱信号图片时不影响图像分割效果，同时又能够大大提高效率。1.2.2研究基础MinLiu等人对V-Net加以改进,来分割具有噪声和间断结构的神经元图像。与经典的U-Net网络不同，该网络能够直接对三维图像进行处理，输入的三维神经元图像经由该网络的分割，最终输出的分割图与原始图像相比能够明显地提高前景中神经元结构的信号强度并削弱背景噪声的干扰。但该网络的不足在于，其卷积方式的局限性影响了该网络提取神经元结构空间信息的效率，限制了其性能的进一步提升。本文是以Alom等人提出的R2U-Net模型为基础进行研究。他们在U-Net的基础上修改了卷积层结构，引入了循环残差卷积模块来提高深层次卷积网络的稳定性。本文将从以下几点对此算法进行改进：加入各向异性卷积核，以解决神经元图像在三维空间X,Y,Z轴上尺寸相距过大的问题。引入循环残差卷积模块，对卷积神经网络进行优化，让隐藏层的神经元相互交流。引入加权交叉熵损失函数，用以处理前、背景体素数量的不平衡问题。2全卷积神经网络的简单介绍2.1人工神经网络人工神经元网络(ArtificialNeuralNetwork,ANN)的灵感来源于动物的中枢神经系统，用计算机模拟出类似于神经元的结构和连接方式，因此被称为人工神经元网络。我们可以将其理解为一种运算模型，不同的网络结构经过特定的学习训练过程能够构建起我们所需要的输入与输出之间的关系。2.1.1神经元模型神经元是人工神经网络中的最基本结构和组成单元。图2.1神经元模型示意图每一个神经元结构都包含输入、输出和权重三个部分。如图2.1所示：，，是该神经元的输入，在不同的场合神经元的输入往往不同，而在同一个人工神经网络中，某一个神经元的输入既有可能来自输入层，也有可能来自隐藏层。“”是偏置量，也属于输入的一部分。，，是各个输入对应的权重。每一个输入量乘以相对应的权重再相加，最后加上偏置量就得到了神经元的输出：(2.1)是一个激活函数(ActivationFunction)，其作用是为网络添加非线性因素，使最终的分类结果不再局限于线性分类。神经网络常用的激活函数有很多，而本文所用的到激活函数是ReLU函数：(2.2)图2.2ReLU函数2.1.2人工神经网络人工神经网络就是由上文提到的一个个神经元模型相互连接组合而成，一部分神经元单元并列组成“层”，不同层之间的神经元相互连接，后一层的神经元的输入对接前一层神经元的输入，以此类推，数据信息就在层与层之间传递，构成了人工神经网络。常见的神经网络如图2.3所示：图2.3简单神经网络模型,,是该神经网络的输入值，“”是偏置量。网络的第一层叫做输入层，用于接受原始数据信息。最后一个神经元模型为输出层，它的输出作为网络的最终输出。夹在输入层与输出层之间的所有层统称为隐藏层。2.2全卷积神经网络概述2.2.1卷积神经网络的不足卷积神经网络在图像划分、道路监控、人脸识别、声学检索等视觉研究的诸多领域都已经得到了广泛的运用。而其所包含的卷积、池化技术也使得卷积神经网络在大规模的实际运用中均能够取得不错的成果。究其原理，卷积化的操作具有局部相互连接、权值共享的特殊性,因此多个卷积层的加入使网络能够很好地保存输入图像的二维数据信息，多次卷积和池化操作对图像特征的压缩也使得特征的提取更为方便,这些都能够有效提高网络的分类能力。然而卷积神经网络的缺陷在于其预测结果的单一性，即一次仅能够对一个输入信息进行预测，且预测的结果也是唯一的，而这样的预测已经无法满足日益发展的现代视觉技术领域的需求。我们往往需要摒弃以往一对一预测的网络模型，选择使用密集式的预测,即输入对象中的每一个元素都需要被提取并进行预测，以此来满足日益复杂化和高效化的实际任务需求，这都是传统的卷积式神经网络所无法实现的,全卷积神经网络就在这种需求下被提出。2.2.2全卷积神经网络的发展与卷积神经网络不同,全卷积神经网络以卷积层为主,部分网络还会额外添加池化层以适应特殊任务的需要。与卷积神经网络不同，全卷积神经网络将卷积神经网络结构中的全连接层用卷积层取代，即全卷积神经网络结构当中仅保留了卷积层和池化层。在具备了卷积神经网络的种种由卷积层和池化层所带来的优点之外,全卷积神经网络还表现出对于任何一种输入都具有很好的包容性,可以直接用来处理不同大小的输入信号，这是卷积神经网络难以企及的。目前，全卷积神经网络已经被广泛应用于计算机视觉图像处理领域，并大放异彩。2.3全卷积神经网络的结构2.3.1输入层输入层的主要作用是读取原始图像中大量的非线性的信息输入网络，并将标准化处理后的数据传递给后续网络结构。所谓标准化，即将像素分布为0至255范围内的输入图片按比例压缩调整到0至1的像素范围。这种对输入数据进行标准化的操作是在后续的网络训练中使用梯度下降法的基础。2.3.2卷积层卷积层是全卷积神经网络当中最重要的部分。卷积层由若干卷积单元组成，每一个卷积单元的参数可随机初始化，并在网络训练的过程中通过反向传播算法得到最适合的参数。卷积层的目的是对输入信号进行特征提取，而特征提取的操作主要通过卷积层与原始图像的每一个像素进行卷积来完成。图像的卷积运算是指随着感受野扫过原始图像的每一个像素，带有权重的卷积核与输入图像被特定尺寸所框选出的数据求加权平均数。卷积层对图像特征的提取并非一蹴而就，每一个卷积层能够提取的图像特征都是有限的，例如位于神经网络初始位置的卷积层既能够提取边缘、线条等宏观信息，而深层网络能够从低级特征中迭代提取出深层特征。图2.4卷积层卷积方式如图2.4展示了一种卷积核与的原始图像进行的卷积操作。卷积核按特定步长扫过输入的图像，带有权重的卷积核与输入图像被感受野所框选出的数据求加权平均数便得到了特征图对应位置的像素值。如图2.5所示，最终就可以获得一个的特征图。2.3.3池化层池化层的作用是对卷积后的特征图进行压缩。一方面，池化层的加入会使特征图变小，每经过一次池化操作，特征图将按照预设步长缩小，以此简化该网络计算的时间和空间复杂度；另一方面由于特征图的压缩，特征也将随之压缩，便于后续对主要特征的提取。2.3.4反卷积层全卷积神经网络中的反卷积层与卷积层功能恰好相反。卷积层的输入一般为原始图像，而输出为经过卷积提取出的特征图像，而反卷积层则恰好相反，反卷积层的输入为下采样过程当中得到的特征图像，通过对特征图像进行卷积操作，最后输出图像的原始值。简单来说，我们通过反卷积层将特征图像还原成原输入图像，因此反卷积层的输出图像的像素尺寸会大于输入图像。我们用相同数量的卷积层与反卷积层分别构建下采样通道与上采样通道，从而得到尺寸与原始输入图像相同的输出结果。图2.5反卷积层示意图2.3.5输出层在全卷积神经网络中,信息经由输入层被传递到网络中,通过一系列加权求和再激活在隐藏层中不断传递，并最终通过输出层来完成一个输出。2.4经典的全卷积神经网络算法2.4.1FCN全卷积网络（FCN）在保留了基本的卷积层和池化层之外，用卷积层替换了传统卷积神经网络的全连接层，以此实现对图像每一个像素点特征的精细追踪和预测，由于网络结构中的所有层都是卷积层（部分网络根据需要会添加池化层），因此这一结构被命名为全卷积结构。全卷积神经网络最终输出的预测图具有与原始图像大小尺寸完全相同的特点。后续人们也对该网络进行了一系列的改进，例如在网络的上采样过程中，人们提出了一种双线性上采样法，其特点是修正了传统上采样过程中的固定参数，使得上采样参数具有自学习能力，在实验测试中该方法表现出了明显的优势。此外，为了提高图像分割结果的精细程度，FCN摒弃了传统的裁剪和复制单元而采用了跳级结构，将不同层级之间的特征图经过上采样操作得到的相同尺寸的图片通过求和的方式进行融合连接，提高了预测结果的精细程度。2.4.1U-NetU-Net是一种对称型网络结构，具有下采样和上采样两个阶段。在下采样阶段，网络主要的功能是获取的输入的图片的特征图。上采样阶段与下采样阶段结构和功能完全对称。此外，U-Net还通过跳级连接的方式同时获取不同阶段的特征信息。在U-Net网络中，每一次卷积操作都会使图像的像素大小随步长持续减小，因此随着卷积层的叠加，特征图像便会逐渐减小。同时特征在向下传递的过程中还会进行裁剪，比便于不同特征之间进行连接。U-Net的另一大突破在于提出了一个加权交叉熵损失函数专门用于处理生物医学图像：(2.3)其中，ω代表权重图谱，它可以根据形态学操作的方式计算得到：(2.4)损失函数也叫代价函数，它能够对训练集中包含的不同种类的像素出现的不同频率进行差异补偿，从而使网络能够针对相连神经元之间的细微结构进行针对性训练。图2.6经典U-Net结构2.5本章小结本章首先对单个神经元模型的结构与原理进行介绍，并探讨多个节点组成的神经网络的工作方式。然后对比了全卷积神经元网络和传统的卷积神经元网络的优缺点，介绍了全卷积神经元网络的发展。随后对全卷积神经元网络的概念进行了简单介绍，并对全卷积神经网络的结构与组成成分进行由浅入深的学习与研究。最后举例介绍了FCN、U-Net两种常见的全卷积神经元网络的特点。3基于多层级三维全卷积网路的神经元图像分割算法3.1多层级三维全卷积网络网络结构图3.1多层级三维全卷积网络的结构本文所使用的多层级三维全卷积网络的结构如图3.1所示。它由左侧的收缩路径和右侧的扩张路径组成。我们执行卷积不仅是从数据中提取特征，而且会在每个阶段结束时以适当的步长降低其分辨率。网络的左侧由四个不同分辨率的阶段组成，每一个阶段都包含两次卷积操作。在神经网络左侧的每个阶段的卷积操作结束之后，应用下采样来减小输入信号的大小，并增加后续网络层中计算特征的感受野。当数据沿着压缩路径经过不同的阶段时，由于使用了步长为2的2×2×2卷积，其分辨率被降低。同时，在每个阶段结束时，通道的数量会翻倍。此外，我们从基本的U-Net模型中移除了裁剪和复制单元，只使用了跳级连接操作，从而产生了一个更加精细的体系结构，以带来更好的性能。3.2循环残差卷积模块为了提高网络的效率和分割性能，我们在编码和解码路径中使用循环残差卷积结构来代替多层级三维全卷积网络中的常规卷积层。循环残差卷积结构是一个包含了循环卷积结构和残差卷积运算的模块。所谓循环卷积结构，它包括一个卷积层，后面是两个相继的循环卷积层。循环卷积结构中的时间步长t=2(0~2)，指的是循环卷积运算的次数，它的加入能够让隐藏层的神经元相互交流，确保了更好和更强的特征表示。残差卷积运算是一种网络连接方式。在网络中加入残差运算能够在不影响原有网络空间复杂度的前提下增加网络深层扩展的性能，同时也能够有效减轻浅层网络训练工作的负荷，防止深层网络退化问题的出现。图3.2循环残差卷积模块结构示意图我们把循环卷积与残差运算相结合，使用一种循环残差卷积模块加入到我们的网络当中。这种模块有助于开发出更稳定的深层模型，提供了有效的特征累积方法。同时，由于模型内部的特征积累，使用循环残差卷积模块的多层级三维全卷积神经元网络在训练和测试阶段各项指标都有提升。此外，不同时间步长的特征累积也确保了更好和更强的特征表示，因此，循环残差卷积模块有助于网络提取出更为低级的特征，这些特征对于神经元图像分割是必不可少的。在添加了循环残差卷积模块的基础上，我们又对卷积核进行了一定的改进。由于所用数据集中的三维图像X轴和Y轴的分辨率都大于Z轴的分辨率，因此我们选择尺寸为7×7×3的各向异性卷积核替代普通的卷积核(5×5×5滤波器)来处理三维空间上的对象分类问题，以解决图像尺寸不平衡的情况。3.3加权交叉熵损失函数交叉熵用于判断输出和输入期望之间的两个输入概率接近的程度。假设一个概率分布函数p为其实际期望需求输入,概率分布q为其实际期望输入,为交叉概率熵，则(3.3)在实际的神经元图像分割中，由于前景与背景之间体素数量差距过大，因此我们引入加权交叉熵损失函数来处理前、背景体素数量的不平衡问题，从而提高分割网络的训练效率与分割效果。3.4本章小结本章首先对多层级三维全卷积网络的结构进行了介绍，然后提出了一种循环残差卷积模块并对其结构特点进行了详细的介绍，我们基于该模块对多层级三维全卷积网络的卷积结构进行了改进，减轻浅层网络训练工作的负荷,以期获得网络性能的提升。最后介绍了一种加权交叉熵损失函数用于解决前、背景体素数量的不平衡问题。4实验结果和数据分析4.1实验平台本次毕业设计所进行的算法编写、分割网络的训练及测试工作均在Windows10系统下完成，其中代码编写使用的是PyCharm开发环境，实验使用设备为笔记本电脑，显卡型号为：NVIDIAGeforceRTX2070super，显存：8GB。对原始图像和最终分割结果进行追踪及形态重建工作所使用的工具为Vaa3D软件中部分开源的神经元结构重建算法。Vaa3D（3DVisualization-AssistedAnalysis）是由珍妮莉娅法姆研究学院(JFRC．HHMI)的研发团队开发的一款开源软件。Vaa3D的特点在于其功能代码对于用户而言是完全开放的，因此用户不仅可以免费下载使用到这款软件，而且可以借助其开源代码对软件功能进行二次开发，创造一些满足特定要求的功能。Vaa3D的研发团队开发了很多适用于3D图像的分析方法，例如：神经元结构重建，细胞分割，神经元细节对比等。丰富的功能使Vaa3D适用于各种图像的信息处理，尤其是在生物学领域得到了广泛的应用，是用户研究新的三维图像分析算法的一个基础平台。4.2实验数据本次用于网络训练的数据集取自BigNeuron数据库，其中的三维图像数据由激光扫描显微镜观测得到的一系列二维神经元图像切片叠加而成，该数据集中的图像种类主要来自人脑神经元还有果蝇，老鼠等物种。这些图像栈的尺寸变化范围很大，有X,Y,Z轴上尺寸相距过大的如，也有X,Y,Z轴上尺寸近似的如等等，图片尺寸并不统一。本次实验使用500张包含原图与通过合成中心线尺度变换生成的对应标签作为数据集来训练含有循环残差卷积模块的多层级三维全卷积网络，考虑到计算资源的限制和神经元图像大小不均衡等问题，训练块的大小统一裁剪为128×128×32。其中噪声类图片与弱信号类图片的比例为1:1。4.3实验结果4.3.1神经元图像分割结果神经元图像的分割结果如图4.1所示，首先使用肉眼观察比较，对原始图像与分割图像进行主观评价。部分实验结果如图所示，图a1、b1、c1为原始图像，图a2、b2、c2为分割图像。我们发现经过本文使用的分割算法分割出来的结果很好的保留了完整的神经元突触结构。对比第一行的原始图像与第二行的分割结果，分割结果有明显的亮度和粗细上的提升，说明本文使用的分割算法对前景对象的信号有明显的增强，并且对于神经元间断结构也进行了有效修复。图4.1神经元图像分割结果为了观察到更精细的结果，我们单独拿出两张具有代表性的图像，并对实验结果进行细节对比。其中，图a1为原始图像，图a2为原图调整图片对比度后呈现的图像。（该操作的目的是通过调整对比度，使背景的噪声更容易被观察到）图b1为分割图像，图b2为分割图像调整图片对比度后所呈现的图像。图c1、c2分别为a2、b2所对应的局部放大图。比较图c1和图c2，原始图像中的背景噪声经过对比度调整和局部放大后变得显而易见（如图c1所示），而对分割结果进行同样的操作后该图像依旧一片漆黑（如图c2所示），说明原始图像在经过分割网络后，背景中的噪声已经被大大削弱，因此可以认为本文使用的分割算法在抑制背景噪声方面表现优越。图4.2神经元图像分割结果（细节放大）除了能够增强信号、削弱噪声干扰之外，分割网络对于神经元断裂结构的修复也有所帮助。由于图片断裂结构较小，因此也将图片进行局部放大以便于观察。通过比较图d1与图d2，可以观察到原始图像在神经元的分支上存在细微的间断现象，而在分割后的图像上这部分间断处已被修补完整。图4.3神经元图像分割结果（细节放大）4.3.2神经元图像形态结构重建图像分割的目的最终是为了提高神经元形态重建的效果，因此我们以重建结果为比较对象对分割算法的优劣进行定性评估。如图4.4所示，第一行为原始图像及其重建结果，从左至右，图a1为原始图像，图a2是直接在原始图像上运用APP1算法进行重建得到的结果，图a3是直接在原始图像上运用APP2算法进行重建得到的结果。第二行为分割图像及其重建结果。图b1为分割图像，图b2是在分割图像上运用APP1算法进行重建得到的结果，图b3是在分割图像上运用APP2算法进行重建得到的结果。比较第一行与第二行的图像，尤其是图a3与图b3，可以观察到相较于图b3，图a3在左侧有额外部分（红框标示处），分析原始图像可知，该部分实为背景噪声，不应当出现在重建结果当中。由此可以看出，使用基于分割算法得到的重建结果不仅抑制了噪声信号干扰，还有效修复了间断的神经元结构。图4.4神经元图像形态结构重建4.3.3算法SD、SSD指标定量评估空间距离(SD)和实际空间距离(SSD)是人为定义的两个数据指标，用于定量化衡量神经元图像追踪结果与真实数据之间的差异，因其权威性和准确性，成为了研究人员在进行神经元重建效果的评估时最常用到的两个数据指标。通过计算给定的神经元的重建结果的每一个像素点与其对应的真实重建结构每一个像素点之间的最小欧氏距离，并将所有的最小距离求和取均值就得到了给定的神经元图像的空间距离SD数据。实际空间距离SSD则在空间距离SD的基础上引入了阈值机制，当给定阈值后，通过计算出所有最小欧式距离中小于阈值的个数，将SD数值除以该数据就得到了实际空间距离SSD。SD和SSD均可用于定量化衡量神经元图像分割算法的优劣。SD和SSD数据越小，说明重建结果与真实数据结构越接近，即重建结果越好。如果分割图像的SD和SSD数据小于原始图像的SD和SSD数据，则说明该神经元图像分割算法具有良好的图像分割能力，能够有效帮助神经元进行三维形态重建。如下表4.1和表4.2选取了部分测试集结果的SD和SSD数据。表4.1原始图像与分割图像重建结果SD分数比较(部分)数据集APP1R2V-Net+APP1APP2R2V-Net+APP2fly_utokyo_19.13724.04387.25863.5911fly_utokyo_39.13633.80669.32544.5362flycirciut_taiwan_14119.74652.07553.48643.2804flylight_janelia_1114.36554.53827.51045.2582fruitfly_1023.99626.227236.57472.4009flylight_janelia_part1_81.70291.69802.05981.8968flylight_janelia_part2_71.88481.47682.67232.3666human_Cambridge_114.43223.254134.95523.5430human_Cambridge_336.46393.031751.32313.0683human_Cambridge_448.864629.515752.819927.3498mouse_92.88652.25842.82062.3709mouse_105.03883.74254.98123.7617mouse_1114.55957.06237.53986.6055表4.2原始图像与分割图像重建结果SSD分数比较(部分)数据集APP1R2V-Net+APP1APP2R2V-Net+APP2fly_utokyo_113.65898.638413.82145.5559fly_utokyo_311.87745.758813.86046.4893flycirciut_taiwan_14120.56642.99736.23673.6600flylight_janelia_1119.53908.69638.90077.4224fruitfly_1041.456910.989160.67665.6875flylight_janelia_part1_87.35854.37773.65993.4230flylight_janelia_part2_78.28093.33844.53633.2511human_Cambridge_141.25889.752354.68189.0854human_Cambridge_374.40108.537761.1603