神经计数器 - 一个深度学习框架,用于神经元的高保真度空间定位
Tamal Batabyal1, Aijaz Ahmad Naik1, Jaideep Kapur2
1Department of Neurology, University of Virginia, Charlottesville, VA 22908, USA.
Journal of neuroscience methods
|April 5, 2025
概括
深度学习网络Neurocounter精确地检测和定位神经元,即使具有具有挑战性的图像变化. 这种自学工具减少了神经科学研究中手动注释的需求.
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
- 图像分析 图像分析
背景情况:
- 精确的神经元定位对于神经科学应用至关重要,但由于强度,纹理,形态和工件的变化,仍然具有挑战性.
- 对大型神经元数据集进行手动注释以训练分类器是耗时和劳动密集的.
研究的目的:
- 介绍Neurocounter,一个新的深度学习网络,旨在实现自动化神经元检测和定位.
- 解决手动注释的局限性,提高复杂成像数据中神经元识别的准确性.
主要方法:
- 神经计数器使用编码器-解码器架构与注意力模块.
- 该网络被训练在具有不完整神经元注释的图像,各种形态和文物上,采用自学方法来标记未注释的神经元.
- 输出特意识别了神经元索马的中心.
主要成果:
- Neurocounter在不同大脑区域的神经元定位方面取得了很高的准确性,F1得分约为94%.
- 自学能力显著减少了对广泛的手动注释的要求.
- 通过将错误阳性检测量减少至少3%,证明了对现有方法的优越性.
结论:
- Neurocounter 提供精确的神经元 soma 检测,有效地处理背景文物,杂乱和重叠的细胞.
- 这种工具有可能从2D定位数据中促进从2D定位数据中重建激活神经元的大脑范围的3D地图.
