論文の概要: Quality Control of Neuron Reconstruction Based on Deep Learning
- arxiv url: http://arxiv.org/abs/2003.08556v1
- Date: Thu, 19 Mar 2020 03:44:29 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-22 04:41:15.529187
- Title: Quality Control of Neuron Reconstruction Based on Deep Learning
- Title（参考訳）: 深層学習に基づくニューロン再構成の品質制御
- Authors: Donghuan Lu, Sujun Zhao, Peng Xie, Kai Ma, Lijuan Liu, Yefeng Zheng
- Abstract要約: 本研究は、神経細胞再構築における脳全体の品質管理に関する最初の包括的研究の1つである。
大規模なデータセットによる5倍のクロスバリデーションの実験は、提案手法が74.7%のエラーを検出できることを示した。
- 参考スコア（独自算出の注目度）: 27.97242241058457
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Neuron reconstruction is essential to generate exquisite neuron connectivity
map for understanding brain function. Despite the significant amount of effect
that has been made on automatic reconstruction methods, manual tracing by
well-trained human annotators is still necessary. To ensure the quality of
reconstructed neurons and provide guidance for annotators to improve their
efficiency, we propose a deep learning based quality control method for neuron
reconstruction in this paper. By formulating the quality control problem into a
binary classification task regarding each single point, the proposed approach
overcomes the technical difficulties resulting from the large image size and
complex neuron morphology. Not only it provides the evaluation of
reconstruction quality, but also can locate exactly where the wrong tracing
begins. This work presents one of the first comprehensive studies for
whole-brain scale quality control of neuron reconstructions. Experiments on
five-fold cross validation with a large dataset demonstrate that the proposed
approach can detect 74.7% errors with only 1.4% false alerts.
- Abstract（参考訳）: 神経再建は、脳の機能を理解するために必要なニューロン接続マップを生成するのに不可欠である。
自動再建法に多大な効果があるにもかかわらず、十分に訓練されたヒトアノテータによる手動追跡は依然として必要である。
そこで本論文では,再構成ニューロンの品質を確保し,その効率を向上させるためのアノテーションの指導を行うため,ニューロン再構成のための深層学習に基づく品質制御手法を提案する。
品質制御問題を各単一点に関する二項分類タスクに定式化することにより、提案手法は画像サイズと複雑なニューロン形態から生じる技術的困難を克服する。
復元品質の評価を提供するだけでなく、間違ったトレースの開始箇所を正確に特定することも可能だ。
本研究は、神経再建の脳全体の音質制御に関する最初の包括的な研究の1つである。
大規模なデータセットによる5倍のクロスバリデーションの実験は、提案手法が74.7%のエラーを検出できることを示した。
関連論文リスト
- Growing Deep Neural Network Considering with Similarity between Neurons [4.32776344138537]
我々は、訓練段階におけるコンパクトモデルにおいて、ニューロン数を漸進的に増加させる新しいアプローチを探求する。
本稿では,ニューロン類似性分布に基づく制約を導入することにより,特徴抽出バイアスと神経冗長性を低減する手法を提案する。
CIFAR-10とCIFAR-100データセットの結果、精度が向上した。
論文 参考訳（メタデータ） (2024-08-23T11:16:37Z) - Verified Neural Compressed Sensing [58.98637799432153]
精度の高い計算タスクのために、初めて(私たちの知識を最大限に活用するために)証明可能なニューラルネットワークを開発します。
極小問題次元(最大50)では、線形および双項線形測定からスパースベクトルを確実に回復するニューラルネットワークを訓練できることを示す。
ネットワークの複雑さは問題の難易度に適応できることを示し、従来の圧縮センシング手法が証明不可能な問題を解く。
論文 参考訳（メタデータ） (2024-05-07T12:20:12Z) - Simple and Effective Transfer Learning for Neuro-Symbolic Integration [50.592338727912946]
この問題の潜在的な解決策はNeuro-Symbolic Integration (NeSy)であり、ニューラルアプローチとシンボリック推論を組み合わせる。
これらの手法のほとんどは、認識をシンボルにマッピングするニューラルネットワークと、下流タスクの出力を予測する論理的論理的推論を利用する。
それらは、緩やかな収束、複雑な知覚タスクの学習困難、局所的なミニマへの収束など、いくつかの問題に悩まされている。
本稿では,これらの問題を改善するための簡易かつ効果的な方法を提案する。
論文 参考訳（メタデータ） (2024-02-21T15:51:01Z) - Brain-Inspired Machine Intelligence: A Survey of
Neurobiologically-Plausible Credit Assignment [65.268245109828]
本稿では,神経生物学にインスパイアされた,あるいは動機付けられた人工ニューラルネットワークにおける信用割当を行うアルゴリズムについて検討する。
我々は、脳にインスパイアされた学習スキームを6つの一般的なファミリーにまとめ、これらを誤りのバックプロパゲーションの文脈で検討する。
本研究の成果は,神経ミメティックシステムとその構成的学習プロセスの今後の発展を促進することを目的としている。
論文 参考訳（メタデータ） (2023-12-01T05:20:57Z) - Correlative Information Maximization: A Biologically Plausible Approach
to Supervised Deep Neural Networks without Weight Symmetry [43.584567991256925]
本稿では,生体神経ネットワークにおける信号伝達を前方方向と後方方向の両方で記述するための新しい規範的アプローチを提案する。
このフレームワークは、従来のニューラルネットワークとバックプロパゲーションアルゴリズムの生物学的評価可能性に関する多くの懸念に対処する。
提案手法は,前方信号伝搬路と後方信号伝搬路の重み対称性問題に対する自然な解法を提供する。
論文 参考訳（メタデータ） (2023-06-07T22:14:33Z) - NRTR: Neuron Reconstruction with Transformer from 3D Optical Microscopy
Images [5.724034347184251]
本稿では,ニューロン再構成を直接予測問題とみなすニューロン再構成変換器(NRTR)を提案する。
NRTRは、エンド・ツー・エンドのニューロン再構築のための最初の画像-セット深層学習モデルである。
論文 参考訳（メタデータ） (2022-12-08T09:35:22Z) - Minimizing Control for Credit Assignment with Strong Feedback [65.59995261310529]
ディープニューラルネットワークにおける勾配に基づくクレジット割り当ての現在の手法は、無限小のフィードバック信号を必要とする。
我々は、神経活動に対する強いフィードバックと勾配に基づく学習を組み合わせることで、ニューラルネットワークの最適化に関する新たな視点を自然に導き出すことを示す。
DFCにおける強いフィードバックを用いることで、空間と時間において完全に局所的な学習規則を用いることで、前向きとフィードバックの接続を同時に学習できることを示す。
論文 参考訳（メタデータ） (2022-04-14T22:06:21Z) - Dynamic Neural Diversification: Path to Computationally Sustainable
Neural Networks [68.8204255655161]
訓練可能なパラメータが制限された小さなニューラルネットワークは、多くの単純なタスクに対してリソース効率の高い候補となる。
学習過程において隠れた層内のニューロンの多様性を探索する。
ニューロンの多様性がモデルの予測にどのように影響するかを分析する。
論文 参考訳（メタデータ） (2021-09-20T15:12:16Z) - Voxel-wise Cross-Volume Representation Learning for 3D Neuron
Reconstruction [27.836007480393953]
本稿では,エンコーダとデコーダのセグメンテーションモデルに基づいて,新しいボクセルレベルのクロスボリューム表現学習パラダイムを提案する。
我々の手法は推論中に余分なコストを伴わない。
提案手法は,BigNeuronプロジェクトから得られた42個の3次元ニューロン画像に基づいて,元のセグメンテーションモデルの学習能力を向上させる。
論文 参考訳（メタデータ） (2021-08-14T12:17:45Z) - And/or trade-off in artificial neurons: impact on adversarial robustness [91.3755431537592]
ネットワークに十分な数のOR様ニューロンが存在すると、分類の脆さと敵の攻撃に対する脆弱性が増加する。
そこで我々は,AND様ニューロンを定義し,ネットワーク内での割合を増大させる対策を提案する。
MNISTデータセットによる実験結果から,本手法はさらなる探索の方向として有望であることが示唆された。
論文 参考訳（メタデータ） (2021-02-15T08:19:05Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。