[Submitted on 21 Sep 2025 (v1), last revised 30 Jul 2026 (this version, v2)]

View PDF HTML (experimental)

Abstract:生物體間的行為差異，無論是健康或病理狀態，都與其神經迴路的結構密切相關。然而，造成這些差異的細微突觸變化仍難以充分理解，部分原因在於可靠且大規模偵測突觸的挑戰持續存在。體積電子顯微鏡（EM）具備捕捉突觸架構所需的解析度，但由於標註稀疏、形態多變以及跨資料集的領域轉移，自動化偵測仍具挑戰性。為了解決此問題，我們提出三項主要貢獻。首先，我們整理了一個涵蓋四個資料集、跨越兩種無脊椎物種的多元 EM 基準：成體及幼蟲黑腹果蠅（Drosophila melanogaster），以及微蜂（Megaphragma viggianii）。其次，我們提出 SimpSyn，一種單階段 Residual U-Net，訓練用以預測突觸前後位置周圍的雙通道球形遮罩，旨在優先提升訓練與推論速度及標註效率，而非追求架構複雜性。第三，我們將 SimpSyn 與 Buhmann et al. 的 Synful [1] 進行基準比較，Synful 是一種最先進的多任務模型，可同時推論突觸對。儘管架構簡單，SimpSyn 在所有體積的突觸位置偵測 F1-score 均優於 Synful。雖然跨資料集的泛化仍有限，但當使用合併群組進行訓練時，SimpSyn 可達到具競爭力的表現。最後，消融實驗顯示，簡單的後處理策略——如局部峰值偵測與基於距離的過濾——可在無需複雜測試時啟發式方法的情況下，產生強大的效能。綜合而言，我們的結果顯示，當輕量模型與任務結構相符時，可為大規模連結體學流程中的突觸偵測提供實用且可擴展的解決方案。

Submission history

From: Samia Mohinta [view email]
[v1] Sun, 21 Sep 2025 11:40:49 UTC (13,282 KB)
[v2] Thu, 30 Jul 2026 12:58:05 UTC (13,278 KB)