用于重建单个神经元轴突的深度学习的神经图像数据集
Liya Li1,2, Ying Hu1,2, Xiaojun Wang3
1School of Mathematics and Statistics, Hubei University of Education, Wuhan, Hubei, China.
Frontiers in neuroinformatics
|August 21, 2025
概括
这项研究引入了用于重建神经轴突的新数据集和算法,显著提高了检测率. 这加快了大脑成像数据中长距离神经元投影的映射.
科学领域:
- 神经科学
- 计算生物学
- 图像分析
背景情况:
- 神经元重建对于从成像数据中分析神经元结构至关重要.
- 绘制长距离神经元预测至关重要,但计算密集且耗时.
- 现有的方法难以应对轴突成像数据的复杂性和可变性.
研究的目的:
- 提供一个全面的轴突成像体积数据集,并为算法开发提供注释.
- 为改善轴突重建引入新型距离场监督细分网络.
- 建立一个评估和推进轴突重建方法的基准.
主要方法:
- 使用光微光切割断层扫描,从 11 个小鼠大脑中收集和策划了 852 个轴突成像体积.
- 开发了远程场监控分段网络以增强图像信号和改进检测.
- 与最先进的和传统的轴突重建技术对比拟的方法进行了评估.
主要成果:
- 数据集显示了轴突密度,强度和信号噪声比的显著变化.
- 拟议的细分网络显著提高了轴突检测率.
- 这种新方法在复杂的数据集中超越了传统和当前最先进的方法.
结论:
- 发布的数据集和基准算法为推进轴突重建提供了基础资源.
- 开发的细分网络有效地解决了处理复杂的神经元成像数据的挑战.
- 这项工作加速了长距离轴突投射的重建,帮助神经科学研究.
