自主监督的学习分析多个FISH标记的细胞类型地图在厚的大脑片

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
• 人工智能的人工智能

背景情况:

• 准确的细胞类型映射对于理解大脑组织至关重要.
• 在体积图像中手动注释单元是昂贵和耗时的.
• 现有的神经网络在一个统一的框架中对多种细胞类型进行高精度细分.

研究的目的:

• 引入一种新的自我监督学习框架,用于自动的多神经元群体细分.
• 在精度和成本方面解决现有方法的局限性.
• 为了能够构建全面的全脑细胞类型地图.

主要方法:

• 开发了Voxelwise U形Swin-Mamba网络 (VUSMamba) 的框架.
• 在未标记的数据上使用对比学习和借口任务进行自我监督的学习.
• 微调模型,在多细胞类型数据集上使用最小的注释,从多重光 in situ 杂交 (多FISH) 和 VISoR 显微镜进行了微调.

主要成果:

• 与最先进的基线模型相比,VUSMamba实现了更高的细分精度.
• 该框架证明了计算成本的降低.
• 能够同时高精度细分谷氨酸活性神经元,GABA活性神经元和细胞核.

结论:

• VUSMamba提供了一个统一的自我监督的神经网络,用于自动化的细胞类型细分.
• 该框架提供了一个标准化的管道,用于创建和分析全脑细胞类型地图.
• 这种方法有助于更高效,更准确地绘制大脑地图.