一种端到端的反复性压缩传感方法,用于揭露,检测和去混合成像数据

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
• 生物成像是一种生物成像.

背景情况:

• 双光子成像能够以细胞分辨率进行大规模的神经元活动记录.
• 分析这些数据需要强大的,自动化管道用于神经元细分和活动痕迹提取.
• 目前的方法面临的挑战是背景噪音,重叠的神经元和处理速度.

研究的目的:

• 开发一个端到端的深度学习方法,用于同时进行神经元细分和活动痕迹提取.
• 为了实现成像数据的高速,自动化和无参数分析.
• 克服现有方法在准确性和效率方面的局限性.

主要方法:

• 开发了DeepCaImX,这是一个集成代收缩值算法和长期短期记忆网络的深度学习模型.
• 采用了多任务,多类,多标签的细分方法,使用压缩感应启发的神经网络.
• 用模拟数据集训练网络,并用体内实验数据验证.

主要成果:

• DeepCaImX同时生成精确的神经元足迹,并提取清洁的神经元活动痕迹.
• 该方法可以实现非常高的处理速度,而无需手动超参数调整.
• 在分段质量,痕迹提取和处理速度方面超越现有的最先进方法.

结论:

• DeepCaImX为分析大规模成像数据提供了重大进展.
• 该工具具有很高的可扩展性,对中尺度成像分析有好处.
• 代表了第一个神经网络,能够同时进行准确的细分和清洁的痕迹提取.