研究结果：本研究中，我们提出DeepEM3D算法，这是一种用于分割3D各向异性（anisotropic）脑电镜图像的深度学习方法。在这种方法中，深度学习模型可以结合大量的多尺度语境信息来有效构建特征表示。我们提出采用一种新的边界图生成方法，以及优化的模型集合来解决分割各向异性图像任务的挑战。我们通过参与EM图像神经元突触3D分割（SNEMI3D）挑战赛来评估我们的方法。截至2016年10月15日，我们的提交在目前的排行榜中排名第一。更重要的是，我们的结果与作为评估指标的人类研究团队的水平表现非常接近，即Rand error 为0.06015，人类的表现是0.05998。

图1：DeepEM3D的架构

图2：产生3D分割的流程

图3：在对齐良好的图像堆栈中预测边界的示例

图4：在不对齐的图像堆栈中预测边界的示例

原文：https://news.wsu.edu/2017/08/16/brain-mapping