从外围神经组织学部分的自动细分来构建神经调节的混合模型

科学领域:

• 神经科学是一个神经科学.
• 生物医学工程 生物医学工程
• 计算生物学 计算生物学

背景情况:

• 周围神经刺激是恢复功能和治疗器官疾病的关键.
• 精确的带组织映射对于选择性神经调节和计算建模至关重要.
• 手动细分神经囊是耗时且容易出现错误的.

研究的目的:

• 开发一种用于细分外围神经组织学囊的自动化方法.
• 为了评估计算建模的自动细分的准确性.
• 评估自动细分对神经调节预测的影响.

主要方法:

• 基于UNet的深度神经网络被训练在各种神经组织学数据上.
• 该模型使用了预训练的编码器,以改善跨神经类型和斑点的概括性.
• 用Dice系数和特定领域的指标来评估细分质量.

主要成果:

• 深度神经网络实现了对外围神经囊的可靠自动细分.
• 自动细分准确地告知了神经刺激的计算模型.
• 在预测使用自动化细分的囊智能招聘门时,观察到最小的错误.

结论:

• 自动化囊细分可靠地支持神经调节的计算建模.
• 这种方法增强了用于神经接口建模的组织学数据的使用.
• 这种方法推动了下一代神经假体和生物电子医学的设计.