FISBe: A real-world benchmark dataset for instance segmentation of long-range thin filamentous structures

神经系统体积光学显微图像中神经元的实例分割，通过在细胞分辨率下促进神经回路的联合功能和形态分析，为神经科学的突破性研究提供了可能。然而，这种多神经元光学显微数据具有极具挑战性的特性，因为单个神经元具有长程、细长且广泛分支的形态，多个神经元紧密交织，以及光学显微固有的局部解缠和单个神经元的长程追踪严重受到部分体积效应、不均匀照明和噪声的影响。这些特性反映了机器学习研究中的一个当前关键挑战，即有效捕捉数据中的长程依赖关系。虽然相应的方法研究正在兴起，但目前的方法通常在合成数据集上进行基准测试。为了解决这一差距，我们发布了FlyLight实例分割基准（FISBe）数据集，这是第一个具有像素级注释的公开多神经元光学显微数据集。此外，我们定义了一组实例分割指标用于基准测试，我们旨在设计这些指标与下游分析相关。最后，我们提供了三个基准模型，以启动我们设想中的竞赛，旨在推进机器学习领域关于捕捉长程数据依赖关系的方法论研究，并促进基础神经科学的科学发现。

本文旨在解决多神经元光学显微图像的实例分割问题，以促进神经科学领域的研究。这个问题是否新的？

本文提出了FlyLight实例分割基准数据集（FISBe）和一组实例分割指标，以评估现有方法。此外，本文提供了三个基线模型，以开展竞赛，推动机器学习方法在长程数据依赖性捕获方面的发展，并促进基础神经科学的科学发现。

本文提供了一个公开的多神经元光学显微图像数据集，包含像素级别的标注。此外，本文提出了一组实例分割指标，用于评估现有方法。本文提供了三个基线模型，以开展竞赛。实验结果表明，本文的方法在实例分割方面具有很高的精度。本文的贡献在于提供了一个用于评估现有方法的公开数据集和指标，以及基线模型，推动机器学习方法在长程数据依赖性捕获方面的发展，并促进基础神经科学的科学发现。

最近的相关研究包括使用深度学习方法进行实例分割的研究，如Mask R-CNN和U-Net等。此外，还有一些研究关注于如何处理长程依赖性，如使用图像分割和追踪技术等。