論文の概要: MitoVis: A Visually-guided Interactive Intelligent System for Neuronal
Mitochondria Analysis
- arxiv url: http://arxiv.org/abs/2109.01351v1
- Date: Fri, 3 Sep 2021 07:31:59 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-06 13:58:07.727884
- Title: MitoVis: A Visually-guided Interactive Intelligent System for Neuronal
Mitochondria Analysis
- Title（参考訳）: MitoVis:神経ミトコンドリア分析のための視覚誘導型対話型知能システム
- Authors: JunYoung Choi, Hakjun Lee, Suyeon Kim, Seok-Kyu Kwon, and Won-Ki Jeong
- Abstract要約: エンド・ツー・エンドのデータ処理と神経ミトコンドリアの形態のインタラクティブ解析のための新しい可視化システムであるMitoVisを紹介する。
MitoVisは、機械学習のドメイン知識を必要とせずに、トレーニング済みのニューラルネットワークモデルのインタラクティブな微調整を可能にする。
- 参考スコア（独自算出の注目度）: 3.8321883338074034
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Neurons have a polarized structure, including dendrites and axons, and
compartment-specific functions can be affected by dwelling mitochondria. It is
known that the morphology of mitochondria is closely related to the functions
of neurons and neurodegenerative diseases. Even though several deep learning
methods have been developed to automatically analyze the morphology of
mitochondria, the application of existing methods to actual analysis still
encounters several difficulties. Since the performance of pre-trained deep
learning model may vary depending on the target data, re-training of the model
is often required. Besides, even though deep learning has shown superior
performance under a constrained setup, there are always errors that need to be
corrected by humans in real analysis. To address these issues, we introduce
MitoVis, a novel visualization system for end-to-end data processing and
interactive analysis of the morphology of neuronal mitochondria. MitoVis
enables interactive fine-tuning of a pre-trained neural network model without
the domain knowledge of machine learning, which allows neuroscientists to
easily leverage deep learning in their research. MitoVis also provides novel
visual guides and interactive proofreading functions so that the users can
quickly identify and correct errors in the result with minimal effort. We
demonstrate the usefulness and efficacy of the system via a case study
conducted by a neuroscientist on a real analysis scenario. The result shows
that MitoVis allows up to 15x faster analysis with similar accuracy compared to
the fully manual analysis method.
- Abstract（参考訳）: 神経細胞は樹状突起や軸索を含む分極構造を持ち、区画特異的な機能にはミトコンドリアが関与する。
ミトコンドリアの形態は神経細胞の機能や神経変性疾患と密接に関連していることが知られている。
ミトコンドリアの形態を自動解析するためにいくつかの深層学習法が開発されているが、既存の手法の実際の解析への応用にはいくつかの困難がある。
事前学習したディープラーニングモデルの性能は、対象データによって異なる可能性があるため、モデルの再トレーニングがしばしば必要となる。
さらに、ディープラーニングは制約された設定下では優れたパフォーマンスを示しているが、実際の分析で人間が修正する必要があるエラーは常に存在する。
そこで本稿では,エンド・ツー・エンドのデータ処理のための可視化システムであるmitovisを紹介し,神経細胞ミトコンドリアの形態をインタラクティブに解析する。
mitovisは、機械学習のドメイン知識がなくても、事前学習されたニューラルネットワークモデルのインタラクティブな微調整を可能にする。
MitoVisはまた、ユーザが最小限の努力でエラーを素早く識別し修正できるように、新しいビジュアルガイドとインタラクティブな証明読影機能を提供している。
本システムの有用性と有効性は,神経科学者が実際の分析シナリオで実施したケーススタディを通して実証する。
その結果,mitovisは全手動解析法と比較して,最大15倍の高速解析が可能となった。
関連論文リスト
- Deep Latent Variable Modeling of Physiological Signals [0.8702432681310401]
潜時変動モデルを用いた生理モニタリングに関する高次元問題について検討する。
まず、光学的に得られた信号を入力として、心の電気波形を生成するための新しい状態空間モデルを提案する。
次に,確率的グラフィカルモデルの強みと深い敵対学習を組み合わせた脳信号モデリング手法を提案する。
第3に,生理的尺度と行動の合同モデリングのための枠組みを提案する。
論文 参考訳（メタデータ） (2024-05-29T17:07:33Z) - 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) - Astrocytes as a mechanism for meta-plasticity and contextually-guided
network function [2.66269503676104]
アストロサイトは、ユビキタスでエニグマティックな非神経細胞である。
アストロサイトは脳機能や神経計算においてより直接的で活発な役割を果たす。
論文 参考訳（メタデータ） (2023-11-06T20:31:01Z) - Neuroformer: Multimodal and Multitask Generative Pretraining for Brain Data [3.46029409929709]
最先端のシステム神経科学実験は大規模なマルチモーダルデータを生み出し、これらのデータセットは分析のための新しいツールを必要とする。
視覚領域と言語領域における大きな事前学習モデルの成功に触発されて、我々は大規模な細胞分解性神経スパイクデータの解析を自己回帰生成問題に再構成した。
我々はまず、シミュレーションデータセットでNeuroformerを訓練し、本質的なシミュレートされた神経回路の動作を正確に予測し、方向を含む基盤となる神経回路の接続性を推定した。
論文 参考訳（メタデータ） (2023-10-31T20:17:32Z) - The Expressive Leaky Memory Neuron: an Efficient and Expressive Phenomenological Neuron Model Can Solve Long-Horizon Tasks [64.08042492426992]
本稿では,脳皮質ニューロンの生物学的モデルであるExpressive Memory(ELM)ニューロンモデルを紹介する。
ELMニューロンは、上記の入力-出力関係を1万以下のトレーニング可能なパラメータと正確に一致させることができる。
本稿では,Long Range Arena(LRA)データセットなど,時間構造を必要とするタスクで評価する。
論文 参考訳（メタデータ） (2023-06-14T13:34:13Z) - Incomplete Multimodal Learning for Complex Brain Disorders Prediction [65.95783479249745]
本稿では,変換器と生成対向ネットワークを用いた不完全なマルチモーダルデータ統合手法を提案する。
アルツハイマー病神経画像イニシアチブコホートを用いたマルチモーダルイメージングによる認知変性と疾患予後の予測に本手法を適用した。
論文 参考訳（メタデータ） (2023-05-25T16:29:16Z) - Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。
データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
論文 参考訳（メタデータ） (2022-02-01T17:11:13Z) - Overcoming the Domain Gap in Contrastive Learning of Neural Action
Representations [60.47807856873544]
神経科学の基本的な目標は、神経活動と行動の関係を理解することである。
我々は,ハエが自然に生み出す行動からなる新しいマルチモーダルデータセットを作成した。
このデータセットと新しい拡張セットは、神経科学における自己教師あり学習手法の適用を加速することを約束します。
論文 参考訳（メタデータ） (2021-11-29T15:27:51Z) - Neuronal Learning Analysis using Cycle-Consistent Adversarial Networks [4.874780144224057]
我々は、-CycleGANと呼ばれる深層生成モデルを用いて、前学習と後学習の神経活動の間の未知のマッピングを学習する。
我々は,カルシウム蛍光信号を前処理し,訓練し,評価するためのエンドツーエンドパイプラインを開発し,その結果の深層学習モデルを解釈する手法を開発した。
論文 参考訳（メタデータ） (2021-11-25T13:24:19Z) - VICE: Visual Identification and Correction of Neural Circuit Errors [24.106813461993085]
一般的な証明読解は、ピクセルレベルでセグメンテーションエラーを修正するために大きなボリュームを検査することを伴う。
本稿では,証明読解を合理化する分析フレームワークの設計と実装について述べる。
自動エラー検出とシナプスクラスタリングにより、高度にインタラクティブな3Dビジュアライゼーションによる校正作業を促進します。
論文 参考訳（メタデータ） (2021-05-14T14:34:58Z) - Towards an Automatic Analysis of CHO-K1 Suspension Growth in
Microfluidic Single-cell Cultivation [63.94623495501023]
我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。
具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
論文 参考訳（メタデータ） (2020-10-20T08:36:51Z)
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。