Machine learning of hierarchical clustering to segment 2D and 3D images.
Machine learning of hierarchical clustering to segment 2D and 3D images.
复制标题
DOI：
10.1371/journal.pone.0071715
复制
发表时间：
2013
期刊：
影响因子：
3.7
通讯作者：
Chklovskii DB
中科院分区：
文献类型：
--
作者：
Nunez-Iglesias J;Kennedy R;Parag T;Shi J;Chklovskii DB
我们的目标是在区域集聚期间通过使用机器学习工具来改善细分。我们提出了一种主动学习的方法来执行分层凝聚分割超像素。我们的方法在凝聚过程的所有尺度上结合了多个特征，适用于任意维数的数据，并扩展到非常大的数据集。我们主张使用变化的信息来衡量分割的准确性，特别是在3D电子显微镜（EM）图像的神经组织，并使用此度量证明了竞争算法在EM和自然图像的改进。
We aim to improve segmentation through the use of machine learning tools during region agglomeration. We propose an active learning approach for performing hierarchical agglomerative segmentation from superpixels. Our method combines multiple features at all scales of the agglomerative process, works for data with an arbitrary number of dimensions, and scales to very large datasets. We advocate the use of variation of information to measure segmentation accuracy, particularly in 3D electron microscopy (EM) images of neural tissue, and using this metric demonstrate an improvement over competing algorithms in EM and natural images.
登录
查看更多内容
影响因子：
3
作者：
Jurrus, Elizabeth;Watanabe, Shigeki;Giuly, Richard J.;Paiva, Antonio R. C.;Ellisman, Mark H.;Jorgensen, Erik M.;Tasdizen, Tolga
通讯作者：
Tasdizen, Tolga
影响因子：
10.9
作者：
Jurrus, Elizabeth;Paiva, Antonio R. C.;Watanabe, Shigeki;Anderson, James R.;Jones, Bryan W.;Whitaker, Ross T.;Jorgensen, Erik M.;Marc, Robert E.;Tasdizen, Tolga
通讯作者：
Tasdizen, Tolga
影响因子：
10.9
作者：
Andres, Bjoern;Koethe, Ullrich;Hamprecht, Fred A.
通讯作者：
Hamprecht, Fred A.
影响因子：
9.8
作者：
Anderson JR;Jones BW;Yang JH;Shaw MV;Watt CB;Koshevoy P;Spaltenstein J;Jurrus E;U V K;Whitaker RT;Mastronarde D;Tasdizen T;Marc RE
通讯作者：
Marc RE
影响因子：
9.8
作者：
Denk W;Horstmann H
通讯作者：
Horstmann H