基于图形的细胞模式识别,用于合并神经元的多模光学显微镜图像
Wenwei Li1, Wu Chen1, Zimin Dai1
1Britton Chance Center for Biomedical Photonics, Wuhan National Laboratory for Optoelectronics, MoE Key Laboratory for Biomedical Photonics, Huazhong University of Science and Technology, Wuhan 430074, PR China.
Computer methods and programs in biomedicine
|September 3, 2024
概括
这项研究提出了一种新的图形模型方法,用于在不同成像类型中准确匹配神经元,这对于理解大脑电路和功能至关重要.
科学领域:
- 神经科学是一个神经科学.
- 生物物理学的生物物理.
- 计算生物学 计算生物学
背景情况:
- 了解神经元的结构和功能对于大脑研究和疾病诊断至关重要.
- 光学显微镜对于可视化神经元形态和活动至关重要.
- 同时捕获动态in vivo和静态ex vivo神经元数据是具有挑战性的,因为位置移位.
研究的目的:
- 开发一种自动化方法,在多模光学显微镜图像中精确匹配稀疏标记的神经元的细胞图像.
- 能够在单个神经元水平上整合功能和结构成像数据.
- 为了克服在体内和体外成像之间调整神经元位置的挑战.
主要方法:
- 一种基于图形模型的方法,用于自动化细胞图像匹配.
- 利用神经元分布作为匹配特征来减轻模式差异.
- 采用高阶图形模型来解决规模不一致的问题.
- 应用非线性代来解决神经元密度的差异.
主要成果:
- 在细胞匹配中实现了96.67%的精度,85.29%的回忆率和90.63%的F1得分.
- 证明了与专家技术人员可比的性能.
- 成功地将该策略应用于小鼠视觉皮层的连接性研究,将两光子图像与HD-fMOST大脑全身解剖图像相匹配.
结论:
- 开发的图形模型方法在不同的成像模式中提供了精确和自动化的神经元配对.
- 这种方法弥合了功能和结构成像之间的差距,对于神经元分类和电路分析至关重要.
- 为先进的神经科学研究提供了重要的技术支持.
