ViNe-Seg:可见神经元的深度学习辅助细分和随后的分析嵌入图形用户界面

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
• 生物成像是一种生物成像.

背景情况:

• 对神经体的准确细分对于分析神经微电路的光学功能成像数据至关重要.
• 现有的自动化工具,通常基于深度学习,与低信号噪声比数据集作斗争,需要手动细分.
• 手动细分,虽然可以适应,但引入了观察者之间的变化,影响了数据集的一致性.

研究的目的:

• 开发ViNe-Seg,这是一个基于深度学习的半自动工具,用于神经元体细分.
• 为了解决目前在光学功能成像中的自动化和手动细分方法的局限性.
• 为精确的神经元识别提供一个用户友好和适应性的解决方案.

主要方法:

• 开发用于神经元检测和细分的深度学习模型.
• 实施图形用户界面,用于专家监督和兴趣区域的定义.
• 包含多个预训练的细分模型,具有定制模型训练和共享的能力.
• 与随后的数据分析工作流程的集成.

主要成果:

• ViNe-Seg 能够检测可见的神经元,而不论其活动状态如何.
• 该工具在实验期间促进实时细分.
• 它提供专家监督,以精确识别感兴趣的地区.
• 可定制和可共享的细分模型增强了社区的协作.

结论:

• 在光学功能成像中,ViNe-Seg提供了一个可靠的解决方案,用于在光学功能成像中准确和一致的神经体细分.
• 半自动化方法平衡了自动化效率与专家监督.
• 维尼-Seg可将其无集成到更广泛的神经成像分析管道中.