論文の概要: Convolutional Neural Networks for cytoarchitectonic brain mapping at
large scale
- arxiv url: http://arxiv.org/abs/2011.12857v1
- Date: Wed, 25 Nov 2020 16:25:13 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-21 03:41:16.550462
- Title: Convolutional Neural Networks for cytoarchitectonic brain mapping at
large scale
- Title（参考訳）: 大規模脳構造マッピングのための畳み込みニューラルネットワーク
- Authors: Christian Schiffer, Hannah Spitzer, Kai Kiwitz, Nina Unger, Konrad
Wagstyl, Alan C. Evans, Stefan Harmeling, Katrin Amunts, Timo Dickscheid
- Abstract要約: 今回我々は,ヒト後脳の多数の細胞体染色組織における細胞構造学的領域をマッピングするための新しいワークフローを提案する。
これはDeep Convolutional Neural Network (CNN)に基づいており、アノテーション付きの一対のセクションイメージに基づいてトレーニングされており、その間に多数の注釈のないセクションがある。
新しいワークフローは、セクションの3D再構成を必要とせず、組織学的アーティファクトに対して堅牢である。
- 参考スコア（独自算出の注目度）: 0.33727511459109777
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Human brain atlases provide spatial reference systems for data characterizing
brain organization at different levels, coming from different brains.
Cytoarchitecture is a basic principle of the microstructural organization of
the brain, as regional differences in the arrangement and composition of
neuronal cells are indicators of changes in connectivity and function.
Automated scanning procedures and observer-independent methods are
prerequisites to reliably identify cytoarchitectonic areas, and to achieve
reproducible models of brain segregation. Time becomes a key factor when moving
from the analysis of single regions of interest towards high-throughput
scanning of large series of whole-brain sections. Here we present a new
workflow for mapping cytoarchitectonic areas in large series of cell-body
stained histological sections of human postmortem brains. It is based on a Deep
Convolutional Neural Network (CNN), which is trained on a pair of section
images with annotations, with a large number of un-annotated sections in
between. The model learns to create all missing annotations in between with
high accuracy, and faster than our previous workflow based on
observer-independent mapping. The new workflow does not require preceding
3D-reconstruction of sections, and is robust against histological artefacts. It
processes large data sets with sizes in the order of multiple Terabytes
efficiently. The workflow was integrated into a web interface, to allow access
without expertise in deep learning and batch computing. Applying deep neural
networks for cytoarchitectonic mapping opens new perspectives to enable
high-resolution models of brain areas, introducing CNNs to identify borders of
brain areas.
- Abstract（参考訳）: 人間の脳アトラスは、異なるレベルの脳組織を特徴付けるデータのための空間参照システムを提供する。
細胞構造は脳の微細構造の基本原理であり、神経細胞の配列と構成の地域的差異は接続性と機能の変化の指標である。
自動走査法と観察者非依存法は、細胞構造的領域を確実に同定し、脳分離の再現可能なモデルを達成するための必須条件である。
興味のある単一領域の分析から、多数の全脳セクションの高スループットスキャンに移行する際には、時間が重要な要素となる。
本稿では,ヒト死後脳の多数の細胞体染色組織学的領域における細胞構造的領域をマッピングするための新しいワークフローを提案する。
これはDeep Convolutional Neural Network (CNN)に基づいており、アノテーション付きの一対のセクションイメージに基づいてトレーニングされており、その間に多数の注釈のないセクションがある。
モデルは、オブザーバ非依存のマッピングに基づいて、すべての欠落したアノテーションを高い精度で作成することを学びます。
新しいワークフローは、セクションの3D再構成を必要とせず、組織学的アーティファクトに対して堅牢である。
大規模なデータセットを複数のテラバイト単位で効率的に処理する。
ワークフローはWebインターフェースに統合され、ディープラーニングやバッチコンピューティングの専門知識のないアクセスを可能にした。
細胞構造的マッピングにディープニューラルネットワークを適用することで、脳領域の高解像度モデルを可能にする新たな視点が開かれる。
関連論文リスト
- Unsupervised representation learning with Hebbian synaptic and structural plasticity in brain-like feedforward neural networks [0.0]
教師なし表現学習が可能な脳様ニューラルネットワークモデルを導入,評価する。
このモデルは、一般的な機械学習ベンチマークのさまざまなセットでテストされた。
論文 参考訳（メタデータ） (2024-06-07T08:32:30Z) - Learning Multimodal Volumetric Features for Large-Scale Neuron Tracing [72.45257414889478]
オーバーセグメントニューロン間の接続を予測し,人間の作業量を削減することを目的としている。
最初はFlyTracingという名前のデータセットを構築しました。
本稿では,高密度なボリュームEM画像の埋め込みを生成するための,新しい接続性を考慮したコントラスト学習手法を提案する。
論文 参考訳（メタデータ） (2024-01-05T19:45:12Z) - Transformer-Based Hierarchical Clustering for Brain Network Analysis [13.239896897835191]
本稿では,階層型クラスタ同定と脳ネットワーク分類のための新しい解釈可能なトランスフォーマーモデルを提案する。
階層的クラスタリング(hierarchical clustering)の助けを借りて、このモデルは精度の向上と実行時の複雑性の低減を実現し、脳領域の機能的構造に関する明確な洞察を提供する。
論文 参考訳（メタデータ） (2023-05-06T22:14:13Z) - Functional2Structural: Cross-Modality Brain Networks Representation
Learning [55.24969686433101]
脳ネットワーク上のグラフマイニングは、臨床表現型および神経変性疾患のための新しいバイオマーカーの発見を促進する可能性がある。
本稿では,Deep Signed Brain Networks (DSBN) と呼ばれる新しいグラフ学習フレームワークを提案する。
臨床表現型および神経変性疾患予測の枠組みを,2つの独立した公開データセットを用いて検証した。
論文 参考訳（メタデータ） (2022-05-06T03:45:36Z) - Deep Reinforcement Learning Guided Graph Neural Networks for Brain
Network Analysis [61.53545734991802]
本稿では,各脳ネットワークに最適なGNNアーキテクチャを探索する新しい脳ネットワーク表現フレームワークBN-GNNを提案する。
提案するBN-GNNは,脳ネットワーク解析タスクにおける従来のGNNの性能を向上させる。
論文 参考訳（メタデータ） (2022-03-18T07:05:27Z) - POPPINS : A Population-Based Digital Spiking Neuromorphic Processor with
Integer Quadratic Integrate-and-Fire Neurons [50.591267188664666]
2つの階層構造を持つ180nmプロセス技術において,集団に基づくディジタルスパイキングニューロモルフィックプロセッサを提案する。
提案手法は,生体模倣型ニューロモルフィックシステム,低消費電力,低遅延推論処理アプリケーションの開発を可能にする。
論文 参考訳（メタデータ） (2022-01-19T09:26:34Z) - Generalized Organ Segmentation by Imitating One-shot Reasoning using
Anatomical Correlation [55.1248480381153]
そこで我々は,アノテーション付きオルガンクラスから一般化されたオルガン概念を学習し,その概念を未知のクラスに転送するOrganNetを提案する。
そこで,OrganNetは臓器形態の幅広い変化に効果的に抵抗でき,一発分節タスクで最先端の結果が得られることを示す。
論文 参考訳（メタデータ） (2021-03-30T13:41:12Z) - 2D histology meets 3D topology: Cytoarchitectonic brain mapping with
Graph Neural Networks [0.8602553195689513]
細胞構造は脳内の神経細胞の空間的構造を記述する。
脳を皮質下領域と皮質下核に分離することができる。
領域間の境界をマッピングするには 組織学的領域を 顕微鏡でスキャンする必要がある
論文 参考訳（メタデータ） (2021-03-09T07:09:42Z) - Contrastive Representation Learning for Whole Brain Cytoarchitectonic
Mapping in Histological Human Brain Sections [0.4588028371034407]
本稿では,顕微鏡画像パッチを頑健な微細構造特徴に符号化するための対照的な学習手法を提案する。
この学習課題を用いて事前学習したモデルは、最近提案された補助課題に基づいて事前学習したモデルと同様に、スクラッチから訓練したモデルよりも優れていることを示す。
論文 参考訳（メタデータ） (2020-11-25T16:44:23Z) - Towards a Neural Model for Serial Order in Frontal Cortex: a Brain
Theory from Memory Development to Higher-Level Cognition [53.816853325427424]
そこで本研究では,未熟な前頭前野 (PFC) が側頭葉信号の階層的パターンを検出する主要な機能を利用していることを提案する。
我々の仮説では、PFCは順序パターンの形で時間的配列の階層構造を検出し、それらを脳の異なる部分で階層的に情報をインデックスするために利用する。
これにより、抽象的な知識を操作し、時間的に順序付けられた情報を計画するための言語対応の脳にツールを提供する。
論文 参考訳（メタデータ） (2020-05-22T14:29:51Z)
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。