NRTR:从3D光学显微镜图像中用变压器重建神经元
IEEE transactions on medical imaging
|October 17, 2023
概括
我们介绍了神经元重建变压器 (NRTR),这是一个新的深度学习模型,用于从光学显微镜图像中重建神经元. 通过将神经元重建视为直接设置预测任务,NRTR简化了这一过程,使得端到端的训练更容易.
科学领域:
- 神经科学是一个神经科学.
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 从光学显微镜 (OM) 进行神经元重建是神经科学的基础.
- 手动和半自动方法效率低;现有的深度学习方法往往需要复杂的基于规则的组件.
- 需要一种更简单,端到端的深度学习方法来进行神经元重建.
研究的目的:
- 开发一种新的,端到端的深度学习模型用于神经元重建.
- 通过消除复杂的基于规则的组件来简化神经元重建框架.
- 将神经元重建作为一个直接设置预测问题.
主要方法:
- 提出神经元重建转换器 (NRTR),这是一个图像到设置的深度学习模型.
- 该NRTR管道包括CNN骨干,变压器编码器解码器和连接构建模块.
- NRTR生成一个代表神经元形态的点集,通过连接结构建立关系,输出标准SWC文件.
主要成果:
- 在BigNeuron和VISoR-40数据集上,NRTR取得了出色的神经元重建结果.
- 该模型在综合基准中表现优于竞争基准.
- 证明了集合预测方法对端到端神经元重建的有效性.
结论:
- NRTR为神经元重建提供了一个有效和简单的端到端解决方案.
- 将神经元重建视为一个集预测问题,使模型训练更容易.
- 该NRTR模型在神经科学研究中推进了自动神经元追踪.
