凡克实验室

目前的成像方法产金博宝188登录生大量的数据。例如，在电子显微镜下，果蝇大脑的体积包含了数百兆兆字节的图像数据。在这些卷中手动注释生物相关的结构需要几十年的体力劳动。

我们开发了计算机视觉和机器学习方法和工具来实现这些任务的自动化。这一系列的研究让我们兴奋的是，分析大型显微镜图像数据集必须满足的特定要求。具体来说，我们的目标是:

• 非常准确的
  通常，我们感兴趣的结构(如电子显微镜中的神经元体积或光片显微镜中的细胞谱系轨迹)所跨越的距离比需要分辨它们的分辨率要大几个数量级。许多正确的决策必须在这些结构的大范围内同时做出，这样它们才能被自信地用于后续的分析。每个重构结构的少量错误可能已经导致结果不可用(例如，从神经元形态重建连接体)。
• 能够处理噪音
  许多感兴趣的结构只有在成像方法的分辨率限制下才可见。金博宝188登录因此，我们经常面临低信噪比和模糊的情况，这也是人类难以解决的问题。
• 快
  一个成功的解决方案必须是快速的和可并行的，可以很容易地扩展到真实世界的数据集的大小。

在大型数据集中，如果不进行一定数量的人工校对，就不太可能实现对噪声的高精度和鲁棒性。我们对开发方法和工具感兴趣，这些方法和工具不仅可以生成重构，还可以与注释器携手工作。为此，我们希望回答以下问题:

• 自动化方法如何识别人工检查的不确定决策?
  人工关注是昂贵的，但可能需要验证自动方法的输出。应该引导校对人员进行最不确定的自动决策。
• 我们如何才能最好地利用人类的反馈?
  自动方法不应该被视为黑盒。相反，我们寻求开发方法，利用人的反馈来改进重构，并在校对过程中继续学习。
• 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。我们感兴趣的是寻找原则性的方法来量化从未经校对的结构中得出的统计数据的可信度。