{“状态”：“确定”，“消息类型”：“工作”，“信息版本”：“1.0.0”，“邮件”：{“索引”：{“日期部分”：[[2024,9,20]]，“日期时间”：“2024-09-20T16:50:15Z”，“时间戳”：1726851015369}，“发布者位置”：“Cham”，“引用计数”：40，“发布商”：“Springer International Publishing”，“isbn-type”：[{“类型”：”print“，“值”：“9783030871925”}{“type”：“电子”，“value”：“9783030871932”}]，“license”：[{“start”：{“date-parts”：[2021,1,1]]，“date-time”：“2021-01-01T00:00:00Z”，“timestamp”：1609459200000}，“content-version”：“tdm”，“delay-in-days”：0，“URL”：“https:\/\/www.springer.com\/tdm”}，{“start”：{“date-ports”：[2021,1,1]，“日期-时间”：“021-01-01T 00:00:00Z“，”timestamp“：1609459200000}，”content-version“：”vor“，“delay-in-days”：0，“URL”：“https:\/\/www.springer.com//tdm”}，{“start”：{“date-parts”：[[2021,1,1]]，“date-time”：“2021-01-01T00:00:00Z”，“timestamp”：1609459200000}，“content-version”：“tdm”，“delay-in-days“：0，”URL“https:\\/www.spring.com/tdm”}，“日期时间”：“2021-01-01T00:00:00Z”，“时间戳”：1609459200000}，“content-version”：“vor”，“delay-in-days”：0，“URL”：“https:\/\/www.springer.com/tdm”}]，“content-domain”：{“domain”:[“link.springer.com”]，“crossmark-restriction”：false}，“short-container-title”：[]，“published-print”:{“date-parts”：[2021]}，”DOI“：”10.1007\/978-3-030-87193-2_17“，”类型“book-capter”，“创建”：{“日期部分”：[[2021,9,22]]，“日期时间”：“2021-09-22T20:25:10Z”，“时间戳”：1632342310000}，“页面”：“175-185”，“更新策略”：“http://\/dx.doi.org\/10.1007\/springer_crossmark_policy”，“源”：“Crossref”，”is-referenced-by-count“：7，”title“：[”AxonEM数据集：大脑皮层区域的3D Axon实例分割“]，”前缀“：”10.1007“，”author“：[{”given“：”Donglai“，”family“：”Wei”，“序列”：“first”，“affiliation”：[]}，{“given”：“Kisuk”，“family”：“Lee”，“sequence”：“additional”，“filiation“：[]{”given“：”Hanyu“，”family“：”Li“，”sequence“：”additional“，”affiliance“：[]}，”givent“：”Ran“，，“隶属关系”：[]}，{“给定”：“泽泉”，“家庭”：“刘”，“序列”：“附加”，“从属关系”：[]}，{“给定”：“李甫”，“家族”：“张”，“顺序”：“额外”，“隶属关系”：[]}“，”family“：”Uram“，”sequence“：”additional“，“隶属关系”：[]｝，｛“给定”：“雪英”，“家族”：“王”，“序列”：“附加”，“隶属关系”：[]｝，｛“给定”：“伊格纳西奥”，“家族”：“阿甘达·卡雷拉斯”，“序列”：“附加”，“隶属关系”：[]｝，｛“给定”：“布莱恩”，“家族”：“马特耶克”，“序列”：“附加”，“隶属关系”：[]｝，｛“给定”：“纳拉亚南”，“家族”：“卡斯图里”，“序列”：“附加”，“隶属关系”：[]}中，{“given”：“Jeff”，“family”：“Lichtman”，“sequence”：“additional”，“affiliation”：[]}，{“fixed”：“Hanspeter”，“家族”：“Pfister”，“serquence”:“additionable”，“filiation“：[]{”，“member”：“297”，“published-on-line”：{“date-parts”：[2021,9,21]]}；“reference”：[{“unstructured”：”Neuroglancer.https:\\/github.com/google\\neuroglance“，”key：“17_CR1”}，{“非结构化”：“SNEMI3D EM分段挑战和数据集。http://\/brainiac2.mit.edu\/SNEMI3D\/home”，“key”：“17_CR2”}，{“key“：”17_CR3“，”doi-asserted-by“：”publisher“，”first page“：“1372”，“doi”：“10.1016\/j.cell.200.08.010”，“volume”：”182“author”：“LF Abbott”，“year”：“2020”，“unstructured”：“Abbott，L.F.等人：一只老鼠。细胞1821372\u20131376（2020）“，”journal-title“：”Cell“}，{”key“：”17_CR4“，”doi-asserted-by“：”publisher“，”first-page“：”4145“，”doi“：”10.1364\/BOE.5.004145“，“volume”：“5”，“author”：“S B\u00e9gin”，“year”：“2014”，“unstructured”：“”B\u00e9gin，S.、Dupont-Therrien，O.、B\u00 e9langer，E.、Daradich，A.、Laffray，S.等：脊髓组织大规模cars图像中神经纤维的自动分割和形态计量方法。生物识别。选择。实验5，4145\u20134161（2014）“，”杂志标题“：”生物识别。选择。实验“}，{”key“：”17_CR5“，”doi-asserted-by“：”publisher“，”first page“：“101”，”doi“：”10.1038\/nmeth.4151“，“volume”：“14”，“author”：“T Beier”，“year”：“2017”，“unstructured”：“Beier，T.，et al.：Multicut使自动神经突分割更接近人类的表现。Nat.Methods 14，101\u2013102 R6“，”doi-asserted-by“：”publisher“，”first page“：”88“，”doi“：”10.3389\/fncir.2018.00088“，“volume”：“12”，“author”：“DR Berger”，“year”：“2018”，“unstructured”：“Berger，D.R.，Seung，H.S.，Lichtman，J.W.：Vast（volume annotation and segmentation tool）：大型3D图像堆栈的高效手动和半自动标记。前面。神经循环。12，88（2018）“，“新闻标题”：“正面。神经循环。“}，{”非结构化“：”Ciresan，D.，Giusti，A.，Gambardella，L.M.，Schmidhuber，J.：深层神经网络在电子显微镜图像中分割神经元膜。摘自：NeurIPS（2012）“，”key“：”17_CR7“}”，{“doi-asserted-by”：“crossref”，“非结构化”：“Cuisenaire，O.，Romero，E.，Veraart，C.，Macq，B.M.：显微图像中轴突的自动分割和测量。In:Medical Imaging（1999）“，”key“：”17_CR8“，”DOI“：”10.1117 \/12.348652“}，{”DOI-asserted-by“：”crossref“，”unstructured“：”Dorkenwald，S.，McKellar，C.，et al.：Flywire:whole-brain connectomics.bioRxiv（2020）“，“publisher”，“first page”：“435”，“DOI“：”10.1038\/nmeth.4206“，”volume“：”14“，”author“：”S Dorkenwald“，”year“：”2017“，”unstructured“：”Dorkenwald，S.，et al.：体积电子显微镜的自动突触连接性推断。Nat.Methods 14，435\u2013442（2017）“，“journal-title”：“Nat.Methads”}，{“doi-asserted-by”：“crossref”，“unstructured”：“Dorkenwald，S.，et al.：皮层锥体神经元间突触的二进制和模拟变异。BioRxiv（2019）”，“key”：“17_CR11”，“doi”：“10.1101\/2019.12.29.890319”}、{“key“：”17_CR12“，“doi-sserted-by“：”publisher“，“first page”：1669“，“DOI”：“10.1109\/TPAMI.2018.2835450”，“volume”：“41”，“author”：“J Funke”，“year”：“2018”，“unstructured”：“Funke，J.，et al.：连接体重建的基于结构化损失的深度学习的大规模图像分割。TPAMI 41，1669\u20131680（2018）“，”journal-title“：”TPAMI“}，{“doi-asserted-by”：“crossref”，“unstructured”：“Gonda，F.，Wei，D.，Pfister，H.：用于三维神经元分割的一致递归神经网络。In:ISBI（2021）“，“key”：“17_CR13”，“doi”：“10.1109 \/ISBI48211.2021.9434092”}，“key”：”17_CR14“，“doi-sserted-by“：”publisher“，“first page”：“501”，“doi”：10.1038\/nmeth.2476“，“volume”：“10”，“author”：“M Helmstaedter”，“year”：“2013”，“unstructured”：“Helmstaedter，M.：Cellular-resolution connectomics:稠密神经电路重建的挑战。Nat.Methods 10，501\u2013507（2013）“，”journal-title“：”Nat.Met方法“}，{”key“：”17_CR15“，”doi-asserted-by“：”publisher“，”first page“：“605”，”doi“：”10.1038\/s41592-018-0049-4“，”volume“：●●●●。方法15，605\u2013610（2018）”，“期刊标题”：“Nat.Methods”}，{“key”：“17_CR16”，“doi-asserted-by”：“publisher”，“首页”：“261”，“doi”：“10.1016\/j.conb.2018.04.030”，“卷”：“50”，“作者”：“j Kornfeld”，“年份”：“2018”，“非结构化”：“Kornfeld，J.，Denk，W.：高通量电子显微术的进展和剩余挑战。货币。操作。神经生物学。50，261\u2013267（2018）“，”日记标题“：”货币。操作。神经生物学。“｝，｛”key“：”17_CR17“，”doi由“：”publisher“断言，”first page“：”188“，”doi“：”10.1016\/j.cob.2019.04.001“，”volume“：”55“，”author“：”K Lee“，”year“：”2019“，”非结构化“：”Lee，K.，Turner，N.，Macrina，T.，Wu，J.，Lu，R.，Seung，H.S.：从连续切片电子显微镜获得的大脑图像重建神经电路的卷积网络。货币。操作。神经生物学。55，188\u2013198（2019）“，“新闻标题”：“货币。操作。神经生物学。“}，{”非结构化“：”Lee，K.，Zung，J.，Li，P.，Jain，V.，Seung，H.S.：超人类对snemi3d连接组学挑战的准确性。arXiv:1706.00120（2017）“，”key“：”17_CR18“}”，{“doi-asserted-by”：“crossref”，“非结构化”：“Matejek，B.、Haehn，D.、Zhu，H.、Wei，D.、Parag，T.、Pfister，H.：用于全局连接组学重建的生物约束图。其中：CVPR（2019）“，”key“：”17_CR19“，”DOI“：”10.1109\/CVPR.2019.00219“}，”DOI-asserted-by“：”crossref“，”unstructured“：”Meirovitch，Y.，Mi，L.，Saribekyan，H.，Matveev，A.，Rolnick，D.，Shavit，N.：交叉分类聚类：一种有效的多对象跟踪技术，用于连接组学中的三维实例分割DOI“：”10.1109\/CVPR.2019.00862“｝，｛”非结构化“：”Meirovitch，Y.，et al.：大规模连接组学的多通道方法。arXiv预印本arXiv:1612012120（2016）“，”key“：”17_CR21“｝，｛”DOI断言“：”crossref“，”非结构化“：”Mesbah，R.，McCane，B.，Mills，S.：用于髓鞘和轴突分割的深度卷积编码器解码器。In：IVCNZ（2016）“，”key“：”17_CR22“，”DOI“：”10.1109\/IVCNZ.2016.7804455“}，{“key”：“17_CR23”，”DOI-asserted-by“：”publisher“，”first page“：“149”，“DOI”：“10.1016\/j.jneumeth.2011.07.026”，“volume”：”201“，”author“：”HL More“，”year“：”2011“，”unstructured“：”More，H.L.，Chen，J.，Gibson，E.，Donelan，J.M.，Beg，M.F.：一种在扫描电子显微镜图像中识别和测量有髓神经纤维的半自动化方法。《神经科学杂志》。方法201，149\u2013158（2011）“，“杂志标题”：《神经科学杂志》。方法“}，{“doi-asserted-by”：“crossref”，“unstructured”：“Motta，A.，et al.：体感皮层第4层致密连接体重建。Science（2019）”，“key”：“17_CR24”，“doi”：“10.1101\/460618”}，}“key“：”17_CR25“，”doi-assert-by“：”publisher“，”first page“：“141”，”doi“：”10.1016\/jneumeth.2017.08.014“，”volume“291“，”author“：”T Naito“，”“2017年”：“非结构化”：“Naito，T.，Nagashima，Y.，Taira，K.，Uchio，N.，Tsuji，S.，Shimizu，J.：使用深度学习模型在横截面光学显微镜图像中识别和分割有髓神经纤维。《神经科学杂志》。方法29141\u2013149（2017）“，“杂志标题”：《神经科学杂志》。方法“}，{”key“：“17_CR26”，”doi-asserted-by“：”publisher“，”first page“：”e71715“，”doi“：”10.1371“\/journal.pone.0071715”，“volume”：“8”，“author”：“J Nunez-Iglesias”，“year”：“2013”，“unstructured”：“Nunez-Iglesias，J.、Kennedy，R.、Parag，T.、Shi，J.和Chklovskii，D.B.：分层聚类的机器学习，以分割二维和三维图像。PloS one 8，e71715（2013）”，“期刊标题”：“PloS one”}，{“键”：“17_CR27”，“系列标题”：“计算机科学讲义”，“doi断言”：“出版商”，“第一页”：“234”，“doi”：“10.1007\/978-3-319-24574-4_28”，“卷标题”：“医学图像计算和计算机辅助干预\u2013 MICCAI 2015”，“作者”：“O Ronneberger”，“年份”：“2015”非结构化“：”Ronneberger，O.，Fischer，P.，Brox，T.：U-Net：生物医学图像分割的卷积网络。收录人：Navab，N.、Horneger，J.、Wells，W.M.、Frangi，A.F.（编辑）MICCAI 2015。LNCS，第9351卷，第234\u2013241页。查姆施普林格（2015）。https:\/\/doi.org\/10.1007\/978-3-319-24574-4_28“}，{“非结构化”：“Sato，M.，Bitter，I.，Bender，M.、Kaufman，A.，Nakajima，M.：TEASAR：精确和稳健骨架的树结构提取算法。In:Pacific Conference on Computer Graphics and Applications（2000）”，“key”：“17_CR28”}，}“key“：”17_CR29“，”doi-asserted-by“：”publisher“，”第一页“：”e57443“，”DOI“：”10.7554\/eLife.57443“，”卷“：”9“，”作者“：”LK Scheffer“，”年份“：”2020“，”非结构化“：”Scheffer，L.K.等人：成年果蝇中枢脑的连接体和分析。Elife 9，e57443（2020）“，“journal-title”：“Elife”}，{“doi-asserted-by”：“crossref”，“unstructured”：“Shapson-Coe，A.，et al.：人类大脑皮层瓣状碎片的连接组学研究。bioRxiv（2021）”，“key”：“17_CR30”，“doi”：“10.1101\/2021.05.29.446289”}，“doi”：“10.1162\/neco.2009.10-08-881“，”volume“：”22“，”author“：”SC Turaga“，”year“：”2010“，”unstructured“：”Turaga，S.C.，et al.：卷积网络可以学习生成用于图像分割的亲和图。神经计算。22，511\u2013538（2010）“，“新闻标题”：“神经计算。“}，{”doi-asserted-by“：”crossref“，”unstructured“：”Vescovi，R.，et al.：走向一条用于处理大规模电子显微镜数据的自动化hpc管道。In:XLOOP（2020）“，”key“：”17_CR32“，”doi“：”10.1109\/XLOOP51963.2020.00008“}”，{“key”：“17_CR33”，“first page”：”189“，“volume”:“54”，“author”：“YY Wang”，“year”：“2012”，“unstructure”：“”Wang，Y.Y.，Sun，Y.N.，Lin，C.C.K.，Ju，M.S.：使用多级梯度分水岭和模糊系统分割神经纤维。AI Med.54，189\u2013200（2012）“，”journal-title“：”AI Med.}，{“key”：“17_CR34”，“series-title”：“计算机科学讲义”，“doi-asserted-by”：“publisher”，“first page”：”66“，”doi“：”10.1007\/978-3030-59722-1_7“，”volume-title：“医学图像计算和计算机辅助干预\u2013 MICCAI 2020”，“author”：“D Wei”，“year”：“2020”非结构化“：”Wei，D.等人：MitoEM数据集：从EM图像中大规模3D线粒体实例分割。摘自：Martel，A.L.等人（编辑）MICCAI 2020。LNCS，第12265卷，第66\u201376页。查姆施普林格（2020）。https:\/\/doi.org\/10.1007\/978-3-030-59722-1_7“}，{“非结构化”：“White，J.G.，Southgate，E.，Thomson，J.N.，Brenner，S.：线虫秀丽隐杆线虫神经系统的结构。Philos.Trans.R.Soc.B Biol.Sci.314，1\u2013340（1986）”，“key”：“17_CR35”}，}“key“：”17_CR36“，”doi-asserted-by“：”publisher“，”first page“37“，”doi“：”10.3389 \/fninf.2016.00037“，”volume“：”10“，”author“：”A Zaimi“，”year“：”2016“，”unstructured“：”Zaiim，A.，Duval，T.，Gasecka，A.，C\u00f4t\u00e9，D.，Stikov，N.，Cohen-Adad，J.：AxonSeg：轴突和髓鞘分割及形态计量分析的开源软件。前面。神经信息素。10，37（2016）“，“新闻标题”：“正面。神经信息素。“}，{”key“：”17_CR37“，”doi-asserted-by“：”publisher“，”first-page“：”1“，”doi“：”10.1038\/s41598-018-22181-4“，”volume“：“8”，“author”：“A Zaimi”，“year”：“2018”，“unstructured”：“Zaimi，A.，Wabartha，M.，Herman，V.，Antonsanti，P.L.，Perone，C.S.，Cohen-Adad，J.：Axondeepseg：使用卷积神经网络从显微镜数据中自动分割轴突和髓鞘。科学。众议员8，1\u201311（2018）“，“新闻标题”：“科学。代表“}，{”key“：”17_CR38“，”doi-asserted-by“：”publisher“，”first page“：“2555”，”doi“：”10.1093\/生物信息学\/btx188“，”volume“：‘33’，”author“：”T Zeng“，”year“：”2017“，”unstructured“：”Zeng，T.，Wu，B.，Ji，S.：Deepem3d：在三维各向异性em图像分割上接近人类水平的性能。生物信息学33，2555\u20132562（2017）“，”journal-title“：”生物信息学“}，{”key“：”17_CR39“，”doi-asserted-by“：”publisher“，”first page“：“179”，”doi“：”10.1016\/j.compmedimag.2009.08.009“，”volume“:”34“，”author“：”X Zhao“，”year“：”2010“，”unstructured“：”Zhao，X.，Pan，Z.，Wu，j.，Zhou，G.，Zeng，Y.：电子显微镜图像中视神经纤维的自动识别和形态计量学。计算机医学。成像图。34，179\u2013184（2010）“，”journal-title“：”计算。医学成像图。“}，{”unstructured“：”Zlateski，A.，Seung，H.S.：“通过流域图的大小相关单链接聚类进行图像分割。arXiv:1505.00249（2015）”，“key”：“17_CR40”}]，“container-title”：[“计算机科学讲义”，“医学图像计算和计算机辅助干预\u2013 MICCAI 2021”]，“original-title“：[]，”language“：”en“，”link“：[{”URL“：”https:\/\/link.springer.com/content\/pdf\/10.1007\/978-3-030-87193-2_17“，”content-type“：”unspecified“，”content-version“：”vor“，”intended-application“：”similarity-checking“}]，”deposed“：{”date-parts“：[2022,1,28]]，”date-time“：“2022-01-28T14:11:10Z”，“timestamp”：1643379070000}，“score”：1，“resource”：{“主要”：{“URL”：“https:\/\/link.springer.com/10.1007\/978-3-030-87193-2_17“}}，”副标题“：[]，”短标题“：[]，”已发布“：{”日期-部件“：[[2021]]}，“ISBN”：[“9783030871925”，“978330871932”]，”引用计数“：40，”URL“：”http://\/dx.doi.org\/10.1007\/9783-030-87193-2-17“，”关系“：{}”，“ISSN“：[”0302-9743“，”1611-3349“]，”ISSN-type“：[{”type“:”print“，”value“：”0302-7743“}，{”type“：“electronic”，“value”：“1611-3349”}]，“subject”：[]，“published”：｛“date parts”：[[2021]]}，“assertion”：[｛“value”：“2021年9月21日”，“order”：1，“name”：“first_online”，“label”：“first online”，“group”：｛“name”：“ChapterHistory”，“label”：“ChapterHistory”｝，｛“组”：｛“名称”：ConferenceInfo“，”label“：”ConferenceInformation“}}，{”value“：”医学图像计算和计算机辅助干预国际会议“，”order“：2，”name“：”Conference_name“，”标签“：”会议名称“，”group“：会议城市”，“组”：{“name”：“ConferenceInfo”，“label”：“会议信息”}}，{“value”：“France”，“order”：4，“name”:“Conference_country”，“table”：“conferency country”，”group“：{”name“：”ConferenceInformo“，”label“：”conferenceInformation“}，”value“：”2021“，”order“：5，”name“name:”Conference_year“，”标签“：”会议年份“，”组“：“，”label“：”Conference Information“}}，{“value”：“2021年9月27日”，“order”：7，“name”：“Conference_start_date”，“label”：“ConferenceStart date”，“group”：{“name”:“ConferenceInformation”，“标签”：“会议信息”}}会议信息“}}，{”value“：”24“，”order“：9，”name“：”Conference_number“，”label“：”ConferenceNumber“，”group“：https:\/\/miccai2021.org\/en\/“，”order“：11，”name“：”conference_url“，”label“：”会议url“，”group“：，{“value“：”Microsoft CMT“，”order“：2，”name“：”conference_management_system“，”label“：”会议管理系统“，”group“：发送供审阅的提交数“，”group“：{”name“：”ConfEventPeerReviewInformation“，”label“：”同行审阅信息（由会议组织者提供）“}}，{”value“：”531“，”order“：4，”name“:”Number_of_full_papers_accepted“，”标签“：”接受的全文数“同行评议信息（由会议组织者提供）“}}，{”value“：”0“，”order“：5，”name“：”number_of_short_papers_accepted“，”label“：”接受的短文数“，”group“：33%-该值通过公式“接受的完整论文数量/发送供审查的提交数量*100”计算，然后四舍五入为整数。“，”order“：6，”name“：”acceptance_rate_of_full_papers“，”label“：”全文接受率“，”group“：ConfEventPeerReviewInformation“，”label“：”同行评议信息（由会议组织者提供）“}}，{“value”：“4”，“order”：8，“name”：“average_number_of_papers_per_reviewer”，“label”：“每个审阅者的平均论文数”，“group”：}，{“value”：“Yes”，“order”：9，“name”：“external_reviewers_involved”，“label”：“涉及的外部审阅者”，“group”：{“name”:“ConfEventPeerReviewInformation”，“table”：“同行审阅信息（由会议组织者提供）”}}，{”value“：”会议已虚拟举行。“，”order“：10，”name“：”additional_info_on_Review_process“，”label“：“审阅过程的附加信息”，“组”：{“name”：“ConfEventPeerReviewInformation”，“label”：“同行审阅信息（由会议组织者提供）”}}]}