对细胞架构学的一种新方法:为大脑皮层的形态分析开发一个客观的框架
Matija Vid Prkačin1,2, Zdravko Petanjek1,2, Ivan Banovac1,2
1Department of Anatomy and Clinical Anatomy, University of Zagreb School of Medicine, Zagreb, Croatia.
Frontiers in neuroanatomy
|August 27, 2024
概括
这项研究使用机器学习量化定义基于细胞形态学的大脑区域和层. 这些发现支持使用人工智能通过分析神经元细胞类型来准确地绘制大脑皮质.
科学领域:
- 神经科学是一个神经科学.
- 计算神经科学是一种神经科学.
- 历史学 历史学 历史学
背景情况:
- 皮层区域和层边界传统上是由细胞类型定义的,但这些通常是模糊的.
- 需要定量标准来准确地划定细胞架构构的界限.
研究的目的:
- 用客观,定量标准来定义皮质区域和层.
- 探索机器学习在描述大脑皮层形态学方面的实用性.
主要方法:
- 对来自布罗德曼区域 (BA) 9,14r和24的人类大脑组织进行了免疫光抗NeuN标签.
- 重建了90,723个NeuN阳性细胞体并对其形态特征进行了分析.
- 一个监督的神经网络算法将细胞重建分为形态类型.
主要成果:
- 形态测量分析和细胞分类与BA9,BA14r和BA24的已知细胞架构描述保持一致.
- BA9显示大量的大型金字塔细胞 (第三层);BA14r具有较小的,延长的细胞;BA24显示非常延长的细胞 (第五层) 和不规则的细胞形状.
- 机器学习模型的预测与预期的细胞架构特征密切匹配.
结论:
- 监督机器学习有效地定义了大脑皮层的形态特征.
- 量化,人工智能驱动的方法可以帮助精确的cytoarchitectonic绘制.
