論文の概要: Light-Field Microscopy for optical imaging of neuronal activity: when
model-based methods meet data-driven approaches
- arxiv url: http://arxiv.org/abs/2110.13142v1
- Date: Sun, 24 Oct 2021 20:58:51 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-31 13:59:36.500672
- Title: Light-Field Microscopy for optical imaging of neuronal activity: when
model-based methods meet data-driven approaches
- Title(参考訳): 光電場顕微鏡による神経活動の光学的イメージング--モデルに基づく方法がデータ駆動アプローチに合致する場合
- Authors: Pingfan Song, Herman Verinaz Jadan, Carmel L. Howe, Amanda J. Foust,
Pier Luigi Dragotti
- Abstract要約: ニューロンのネットワークがどのように情報を処理するかを理解することは、現代の神経科学における重要な課題の1つである。
光電場顕微鏡(LFM)は、走査型顕微鏡の一種であり、高速3Dイメージングの特に魅力的な候補である。
本稿では,モデルベースおよびデータ駆動型アプローチに焦点をあて,LFMの最先端計算手法に関する包括的調査に着目する。
- 参考スコア(独自算出の注目度): 28.872219458334587
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Understanding how networks of neurons process information is one of the key
challenges in modern neuroscience. A necessary step to achieve this goal is to
be able to observe the dynamics of large populations of neurons over a large
area of the brain. Light-field microscopy (LFM), a type of scanless microscope,
is a particularly attractive candidate for high-speed three-dimensional (3D)
imaging. It captures volumetric information in a single snapshot, allowing
volumetric imaging at video frame-rates. Specific features of imaging neuronal
activity using LFM call for the development of novel machine learning
approaches that fully exploit priors embedded in physics and optics models.
Signal processing theory and wave-optics theory could play a key role in
filling this gap, and contribute to novel computational methods with enhanced
interpretability and generalization by integrating model-driven and data-driven
approaches. This paper is devoted to a comprehensive survey to state-of-the-art
of computational methods for LFM, with a focus on model-based and data-driven
approaches.
- Abstract(参考訳): ニューロンのネットワークがどのように情報を処理するかを理解することは、現代の神経科学における重要な課題の1つである。
この目的を達成するための必要なステップは、脳の広い領域で多くのニューロンのダイナミクスを観察できるようにすることである。
走査型顕微鏡の一種である光電場顕微鏡(lfm)は、高速3次元イメージングの特に魅力的な候補である。
単一のスナップショットでボリューム情報をキャプチャし、ビデオフレームレートでボリュームを撮像する。
LFMを用いた神経活動の画像化の特徴は、物理や光学モデルに埋め込まれた先行を十分に活用する新しい機械学習アプローチの開発である。
信号処理理論と波動光学理論は、このギャップを埋める上で重要な役割を担い、モデル駆動とデータ駆動のアプローチを統合することにより、解釈可能性と一般化を向上した新しい計算手法に寄与する。
本稿では,モデルベースおよびデータ駆動型アプローチに着目した LFM の計算手法の現状に関する総合的な調査を行う。
関連論文リスト
- 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) - fMRI-PTE: A Large-scale fMRI Pretrained Transformer Encoder for
Multi-Subject Brain Activity Decoding [54.17776744076334]
本稿では,fMRI事前学習のための革新的オートエンコーダであるfMRI-PTEを提案する。
我々のアプローチでは、fMRI信号を統合された2次元表現に変換し、次元の整合性を確保し、脳の活動パターンを保存する。
コントリビューションには、fMRI-PTEの導入、革新的なデータ変換、効率的なトレーニング、新しい学習戦略、そして我々のアプローチの普遍的な適用性が含まれる。
論文 参考訳(メタデータ) (2023-11-01T07:24:22Z) - Controllable Mind Visual Diffusion Model [58.83896307930354]
脳信号の可視化は、人間の視覚システムとコンピュータビジョンモデルの間の重要なインターフェースとして機能する活発な研究領域として登場した。
我々は、制御可能なマインドビジュアルモデル拡散(CMVDM)と呼ばれる新しいアプローチを提案する。
CMVDMは属性アライメントとアシスタントネットワークを用いてfMRIデータから意味情報とシルエット情報を抽出する。
そして、制御モデルを利用して抽出した情報を画像合成に活用し、セマンティクスやシルエットの観点から視覚刺激によく似た画像を生成する。
論文 参考訳(メタデータ) (2023-05-17T11:36:40Z) - Physics Embedded Machine Learning for Electromagnetic Data Imaging [83.27424953663986]
電磁法(EM)イメージングは、セキュリティ、バイオメディシン、地球物理学、各種産業のセンシングに広く応用されている。
機械学習(ML)技術,特に深層学習(DL)技術は,高速かつ正確な画像化の可能性を秘めている。
本稿では、学習に基づくEMイメージングに物理を取り入れる様々なスキームについて検討する。
論文 参考訳(メタデータ) (2022-07-26T02:10:15Z) - Deep Representations for Time-varying Brain Datasets [4.129225533930966]
本稿では、領域マップされたfMRIシーケンスと構造接続性の両方を入力として組み込んだ効率的なグラフニューラルネットワークモデルを構築する。
サンプルレベルの適応的隣接行列を学習することで、潜伏する脳のダイナミクスのよい表現を見つけ出す。
これらのモジュールは容易に適応でき、神経科学領域以外の用途にも有用である可能性がある。
論文 参考訳(メタデータ) (2022-05-23T21:57:31Z) - Ultrasound Signal Processing: From Models to Deep Learning [64.56774869055826]
医用超音波画像は、信頼性と解釈可能な画像再構成を提供するために、高品質な信号処理に大きく依存している。
データ駆動方式で最適化されたディープラーニングベースの手法が人気を集めている。
比較的新しいパラダイムは、データ駆動型ディープラーニングの活用とドメイン知識の活用という2つのパワーを組み合わせたものだ。
論文 参考訳(メタデータ) (2022-04-09T13:04:36Z) - 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) - A Geometry-Informed Deep Learning Framework for Ultra-Sparse 3D
Tomographic Image Reconstruction [13.44786774177579]
超疎3次元トモグラフィ画像再構成のための幾何学インフォームド深層学習フレームワークを構築した。
本研究は,3次元CT画像の高精細化を実現するために,既知の先行画像のシームレスな包摂が不可欠であることを実証する。
論文 参考訳(メタデータ) (2021-05-25T06:20:03Z) - Model-inspired Deep Learning for Light-Field Microscopy with Application
to Neuron Localization [27.247818386065894]
光フィールド顕微鏡画像を用いた高速かつ堅牢なソースの3Dローカリゼーションを実現するモデルに基づくディープラーニング手法を提案する。
これは畳み込みスパース符号化問題を効率的に解くディープネットワークを開発することによって実現される。
光場からのほ乳類ニューロンの局在化実験により,提案手法が性能,解釈性,効率の向上をもたらすことが示された。
論文 参考訳(メタデータ) (2021-03-10T16:24:47Z) - Deep brain state classification of MEG data [2.9048924265579124]
本稿では、Human Connectome Project(HCP)が提供するMEGデータと、様々な深層ニューラルネットワークモデルを組み合わせて脳復号を行う。
論文 参考訳(メタデータ) (2020-07-02T05:51:57Z) - Modeling Shared Responses in Neuroimaging Studies through MultiView ICA [94.31804763196116]
被験者の大規模なコホートを含むグループ研究は、脳機能組織に関する一般的な結論を引き出す上で重要である。
グループ研究のための新しい多視点独立成分分析モデルを提案し、各被験者のデータを共有独立音源と雑音の線形結合としてモデル化する。
まず、fMRIデータを用いて、被験者間の共通音源の同定における感度の向上を示す。
論文 参考訳(メタデータ) (2020-06-11T17:29:53Z)
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。