Probe-EM：通过 无需训练 语义验证进行目标神经元追踪

建立大规模、高分辨率的神经连接图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 级电子显微镜数据时，自动重建算法固有的过度分割仍然是一个关键瓶颈，需要跨人年的大量手动校对。为了减轻对注释数据的严重依赖和传统追踪方法的有限灵活性，我们提出了 无需训练，有针对性的神经元追踪框架。具体来说，我们引入了一种骨架引导的启发式空间搜索范例，该范例利用几何先验通过探测验证循环迭代地重建神经元形态。为了实现稳健的零样本语义验证，我们进一步开发了基于基础模型 NeuroSAM 2 的维度感知语义验证策略。该策略通过平面集合共识解决片内分割，通过轴向时空传播解决片间分割。值得注意的是，我们将所提出的工作流程集成到 Neuroglancer 可视化平台中，从而实现了交互式人机循环校对系统。实验结果表明，所提出的方法优于监督基线，并将手动校对时间减少了 33.4%。源代码可在 https://github.com/HeadLiuYun/Probe-EM 上公开获取。