深度神经网络用于注册和注释移动和变形神经系统中的细胞

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
• 生物医学成像技术 生物医学成像技术

背景情况:

• 复杂组织中异质细胞类型的准确对齐和注释对于生物医学成像分析至关重要.
• 当前的方法在处理细胞结构的动态和变形性质方面面临挑战,特别是在无脊椎动物的神经系统中.

研究的目的:

• 开发深度神经网络,用于复杂细胞组织中的自动非刚性注册和细胞识别.
• 创建工具,可以准确地对准和注释神经元细胞类型的模型生物,如C. elegans和水母.

主要方法:

• 一种半监督式学习方法被用来训练BrainAlignNet,以便在像素级准确的C. elegans的图像注册.
• AutoCellLabeler受过训练,可以使用多光谱光数据对100多种神经元细胞类型进行注释.
• 细胞发现网 (CellDiscoveryNet) 是通过比较来自多种动物的多光谱成像数据来进行细胞类型的无监督发现和注释而开发的.

主要成果:

• 随着时间的推移,BrainAlignNet在连接神经元方面实现了99.6%的准确性,并且可以适应水母神经系统.
• AutoCellLabeler以98%的准确度对每个C. elegans动物注释了100多种细胞类型,超过了人类个体的表现.
• 细胞发现网与训练有素的人类标签者在无监督细胞类型发现和注释中进行了匹配.

结论:

• 开发的深度神经网络为复杂组织中密集,异构的细胞类型的自动对齐和注释提供了强大的工具.
• 这些方法广泛适用于各种生物研究领域,并且可以将其推广到其他成像分析挑战中.
• 这些工具显著提升了生物医学成像数据的分析,特别是动态和变形的生物系统.