【資料集】關于三維神經元

VISoR-40 dataset

• 網址：https://braindata.bitahub.com/Neuronal_population_reconstruction.html
• 下載下傳位址：202.38.95.226:10049，username is AI，no password，檔案名稱為：VISoR-40_dataset.zip

• 描述：VISoR-40資料集包括從小鼠大腦捕獲的40個體積圖像。全腦圖像由VISoR成像系統捕獲，實體分辨率為每個體素 0.5 × 0.5 × 0.5 u m 3 0.5 \times 0.5 \times 0.5 um ^{3} 0.5×0.5×0.5um3，圖像分辨率約為 20000 × 30000 × 24000 20000 \times 30000 \times 24000 20000×30000×24000。在這個尺度上，對于神經元形态分析而言，識别每個單獨的神經元是可行的。原始的體積資料有16位的動态範圍的強度，以保持足夠的神經突細節。

  為了訓練分割網絡，我們随機選取整個資料集的4/5作為訓練資料集。然後将剩下的8個資料作為測試集和驗證集，在不同的設定下評估我們的方法。為了得到這8個資料的手工注釋，我們請了兩位專家注釋者使用Vaa3D中的3D Virtual Finger插件手工重建單個神經元。我們可以使用Vaa3D來檢視體積圖像，并加載SWC檔案來檢視手動注釋和重構結果。

• 四種評價名額

  P r e c i s s i o n ( R , G ) = ∣ R ∩ G ∣ ∣ R ∣ R e c a l l ( R , G ) = ∣ R ∩ G ∣ ∣ G ∣ F − S c o r e ( R , G ) = 2 ∣ R ∩ G ∣ ∣ R ∣ + ∣ G ∣ J a c c a r d ( R , G ) = ∣ R ∩ G ∣ ∣ R ∪ G ∣ Precission(R, G) = \frac{|R \cap G|}{|R|} \\ Recall(R, G) = \frac{|R \cap G|}{|G|} \\ F-Score(R, G) = \frac{2|R \cap G|}{|R| + |G|} \\ Jaccard(R, G) = \frac{|R \cap G|}{|R \cup G|} Precission(R,G)=∣R∣∣R∩G∣​Recall(R,G)=∣G∣∣R∩G∣​F−Score(R,G)=∣R∣+∣G∣2∣R∩G∣​Jaccard(R,G)=∣R∪G∣∣R∩G∣​

  其中R表示重建的神經元點集，G表示ground truth的神經元點集， ∣ ∣ || ∣∣表示分在一組的數量，首先在每個測試圖像上根據gt計算四個名額，然後進行平均，根據每個測試圖像神經細胞突起的總長度的權重

• 引用文章：J. Zhao, X. Chen, Z. Xiong, D. Liu, J. Zeng, Y. Zhang, Zheng-Jun Zha, G. Bi and F. Wu, Progressive learning for neuronal population reconstruction from optical microscopy images, International Conference on Medical Image Computing and Computer-Assisted Intervention. Springer, Cham, 2019: 750 759.