Probe-EM: Targeted Neuron Tracing via Training-Free Semantic Verification
作者: Liuyun Jiang, Yanchao Zhang, Jinyue Guo, Chuanyue Chen, Haiyang Yan, Ye Yuan, Jing Liu, Hua Han
分类: cs.CV
发布日期: 2026-07-06
备注: Accepted at MICCAI 2026
🔗 代码/项目: GITHUB
💡 一句话要点
提出Probe-EM框架以解决神经元追踪中的数据依赖问题
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 神经元追踪 电子显微镜 无训练方法 语义验证 神经科学 图像处理 自动重建
📋 核心要点
- 现有的自动重建算法在处理大规模电子显微镜数据时，常常面临过度分割的问题，导致需要大量人工校对。
- 本文提出了一种无训练的目标神经元追踪框架，通过骨架引导的启发式空间搜索和探测-验证循环来重建神经元形态。
- 实验结果显示，所提方法在性能上优于传统监督方法，并显著减少了人工校对的时间，提升了效率。
📝 摘要（中文）
建立大规模高分辨率神经连接图谱对于阐明大脑功能的结构基础至关重要。然而，在处理TB或PB级别的电子显微镜数据时，自动重建算法固有的过度分割问题仍然是一个关键瓶颈，导致需要耗费大量人力进行校对。为减轻对标注数据的重度依赖及传统追踪方法的灵活性不足，本文提出了一种无训练的目标神经元追踪框架。具体而言，我们引入了一种基于骨架的启发式空间搜索范式，通过探测-验证循环迭代重建神经元形态。为实现稳健的零-shot语义验证，我们进一步开发了一种基于基础模型NeuroSAM 2的维度感知语义验证策略。实验结果表明，所提方法在性能上优于监督基线，并将人工校对时间减少了33.4%。
🔬 方法详解
问题定义：本文旨在解决在处理大规模电子显微镜数据时，自动重建算法导致的过度分割问题。现有方法依赖大量标注数据，且灵活性不足，造成校对工作量巨大。
核心思路：提出了一种无训练的目标神经元追踪框架，利用骨架引导的启发式空间搜索，通过探测-验证循环来迭代重建神经元形态，减少对标注数据的依赖。
技术框架：整体架构包括骨架引导的启发式空间搜索和基于NeuroSAM 2的维度感知语义验证。该框架通过平面集成共识解决切片内的分裂问题，通过轴向时空传播解决切片间的分裂问题。
关键创新：最重要的创新在于提出了无训练的探测-验证循环和维度感知语义验证策略，显著提高了神经元追踪的准确性和效率。与传统方法相比，减少了对标注数据的依赖。
关键设计：在设计中，采用了基于骨架的启发式搜索策略，结合了平面集成共识和轴向时空传播的技术细节，确保了在不同切片间的有效验证和重建。
🖼️ 关键图片
📊 实验亮点
实验结果表明，所提Probe-EM方法在性能上优于传统的监督基线，人工校对时间减少了33.4%。这一显著提升展示了该方法在实际应用中的有效性和潜力。
🎯 应用场景
该研究的潜在应用领域包括神经科学研究、脑功能图谱构建和生物医学影像分析。通过提高神经元追踪的效率和准确性，能够加速对大脑结构与功能关系的理解，推动相关领域的研究进展。
📄 摘要（原文）
Establishing large-scale, high-resolution neural connectivity maps is fundamental to elucidating the structural basis of brain function. However, when processing terabyte- or petabyte-scale electron microscopy data, over-segmentation inherent in automated reconstruction algorithms remains a critical bottleneck, requiring extensive manual proofreading spanning person-years. To alleviate the heavy reliance on annotated data and the limited flexibility of conventional tracing methods, we propose a training-free, targeted neuron tracing framework. Specifically, we introduce a skeleton-guided Heuristic Spatial Search paradigm that leverages geometric priors to iteratively reconstruct neuronal morphologies through a probing-verification cycle. To achieve robust zero-shot semantic verification, we further develop a Dimension-Aware Semantic Verification strategy built upon the foundation model NeuroSAM 2. This strategy resolves intra-slice splits via Planar Ensemble Consensus and inter-slice splits via Axial Spatio-Temporal Propagation. Notably, we integrate the proposed workflow into the Neuroglancer visualization platform, enabling an interactive human-in-the-loop proofreading system. Experimental results demonstrate that the proposed method outperforms supervised baselines and reduces manual proofreading time by 33.4%. The source code is publicly available at https://github.com/HeadLiuYun/Probe-EM.