在移动和变形的C. elegans中使用深度学习和有针对性的增强来自动跟踪神经元.

科学领域:

• 神经科学是一个神经科学.
• 计算生物学 计算生物学
• 机器学习 机器学习

背景情况:

• 来自3D功能成像的精确神经元活动读数对于理解大脑功能至关重要.
• 在3D中对神经元进行细分和跟踪,由于大脑运动和变形,在动物行为方面具有挑战性.
• 传统方法依赖于对神经数据进行广泛的手动注释,这需要大量的劳动力.

研究的目的:

• 开发一种用于合成神经注释的自动化方法,以减少人工工作.
• 提高在3D功能成像中分析神经元活动的效率.
• 为了使自由运动的动物的神经元动态的研究.

主要方法:

• 引入了"有针对性的增强",自动从少数手动注释中生成人工注释.
• 开发了"Targettrack",它学习大脑变形以合成新姿势的注释.
• 创建了一个图形用户界面,以端到端应用该方法.

主要成果:

• 显著减少了对3D神经数据的手动注释和校对的需求.
• 成功地将Targettrack应用于与神经元标记为关键点或3D卷的录音.
• 在暴露于气味脉冲的自由移动动物中,揭示了内部神经元动态的丰富模式,包括切换神经元携带.

结论:

• Targettrack提供了一种有效的解决方案,用于注释3D功能成像数据,特别是在动态生物系统中.
• 该方法促进了对行为动物的神经元活动的分析,为神经动力学提供了新的见解.
• 自动注释合成是推动神经科学研究的一个有前途的方法.