使用CellMincercer对电压成像数据进行了强大的自我监督的无声化

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
• 信号处理 信号处理

背景情况:

• 电压成像提供高通量神经元活动分析,但其信号噪声比 (SNR) 低.
• 现有的解密方法,包括深度学习,无法完全捕捉电压成像数据中的时间动态和时空依赖.
• 传统和当前深度学习技术的限制需要新的方法.

研究的目的:

• 介绍CellMincer,一种新的自我监督深度学习方法,用于消除电压成像数据集的噪音.
• 改进信号噪声比,并加强从电压成像中对神经元活动的分析.

主要方法:

• CellMincer采用一种自我监督的方法,在短时间窗口内使用掩盖的像素预测.
• 该方法在预先计算的时空自相关性上调节denoiser,以高效地建模远程依赖关系.
• 基于物理的模拟框架被用于超参数优化和废弃研究.

主要成果:

• 通过对时空空间自身相关性进行调节,CellMincer实现了噪声的3倍降低.
• 对模拟和真实数据的基准测试显示了最先进的性能,包括增强的下值事件检测.
• 该方法证明了与地面真实性补丁电生理学记录的优异交叉相关性.

结论:

• 在电压成像分析中,CellMincer 增强了神经元细分,峰值检测和功能表型分离.
• 该方法有效地模拟复杂的时空依赖性,而不需要大型时间背景.
• 为推进高通量神经元活动调查提供了强大的工具.