主菜单(手机) - 块

主菜单 - 块

芬克实验室

janelia7_blocks-janelia7_secondary_menu |堵塞
在这个实验室着陆页中更多
custom_misc-custom_misc_lab_updates |堵塞
节点:field_content_header |Entity_field
目前的研究
节点:身体|Entity_field

当前的成像方法产金博宝188登录生大量数据。例如,果蝇大脑的电子显微镜体积包含数百个图像数据。在这些卷中,手动注释生物学相关的结构需要数十年的手动劳动。

我们开发计算机视觉和机器学习方法和工具以自动化这些任务。使我们令人兴奋的这一研究的原因是必须满足大型显微镜图像数据集的分析。特别是,我们旨在开发的方法是:

  • 非常精准
    通常,感兴趣的结构(例如电子显微镜体积中的神经元或光片显微镜中的细胞谱系轨道)跨越距离,这些距离是几个大小的数量,大于分辨率所需的分辨率。必须在很大程度上同时做出许多正确的决定,以便可以自信地用于后续分析。每个重建结构的少数错误可能已经使结果无法使用(例如,来自神经元形态的Connectome重建)。
  • 能够处理噪音
    许多感兴趣的结构仅在成像方法的分辨率限制下可见。金博宝188登录因此,我们经常面临低信噪比和模棱两可的情况,这对于人类解决也很具有挑战性。
  • 快速地
    成功的解决方案必须快速且可行,才能轻松扩展到现实世界数据集的大小。

在大型数据集中,如果没有至少一定数量的人类校对,就不太可能满足噪声的高精度和鲁棒性。我们有兴趣开发不仅会产生重建的方法和工具,而且还与注释者息息相关。为此,我们希望回答以下问题:

  • 自动方法如何确定不确定的人类检查决定?
    人类的注意力很昂贵,但可能需要验证自动方法的输出。校对应引导到最不确定的自动决策。
  • 我们如何充分利用人类反馈?
    自动方法不应被视为黑匣子。相反,我们试图开发使用人类反馈来完善重建并在校对过程中继续学习的方法。
  • 我们如何量化准确性?

最终,从自动重建中提取的统计数据将用于支持或拒绝假设。我们有兴趣寻找有原则的方法来量化从未校对的结构中得出的统计数据的信心。

janelia7_blocks-janelia7_block_right_hand_rail |堵塞

可用位置

Funke Lab正在招聘,单击此处以获取详细信息。