来自高比扩展显微镜的同位素多尺度神经元重建与对比的无监督深度生成模型
Gary Han Chang1, Meng-Yun Wu2, Ling-Hui Yen3
1Institute of Medical Device and Imaging, College of Medicine, National Taiwan University, Taipei, Taiwan, ROC; Graduate School of Advanced Technology, National Taiwan University, Taipei, Taiwan, ROC.
Computer methods and programs in biomedicine
|January 7, 2024
概括
无监督生成对抗网络 IsoGAN 从扩展显微镜数据中重建复杂的3D神经元结构. 这种方法克服了高通量形态分析的分辨率和手动注释方面的局限性.
科学领域:
- 神经科学是一个神经科学.
- 生物技术是生物技术.
- 医疗成像医学成像
背景情况:
- 扩展显微镜 (ExM) 数据分析受到异型光学分辨率的阻碍.
- 复杂的神经元结构的手动注释是一个重要的瓶.
研究的目的:
- 为高比率ExM数据开发一种创新的成像重建方法.
- 克服当前分析复杂神经元结构的方法的局限性.
主要方法:
- 设计了IsoGAN模型,一个对比的不受监督的生成对抗网络.
- 利用多尺度和同位素形态数据进行3D结构生成.
- 使用简化的结构与理想化的形态作为形状先验.
主要成果:
- IsoGAN可以生成神经元,蛋白质和血管的高准确度3D表示.
- 消除了严格的手册注释和监督的需要.
- 通过轴向/侧向视图和减少的文物之间的一致性来证明准确的重建.
结论:
- IsoGAN简化了成像重建,用于高通量形态分析.
- 能够使用较少的轴视图图像进行详细的3D重建.
- 为分析多样化的生物结构提供了变革性的解决方案.
