論文の概要: NeuRegenerate: A Framework for Visualizing Neurodegeneration
- arxiv url: http://arxiv.org/abs/2202.01115v1
- Date: Wed, 2 Feb 2022 16:21:14 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-03 15:15:30.336651
- Title: NeuRegenerate: A Framework for Visualizing Neurodegeneration
- Title（参考訳）: Neuregenerate: 神経変性を可視化するフレームワーク
- Authors: Saeed Boorboor, Shawn Mathew, Mala Ananth, David Talmage, Lorna W.
Role, Arie E. Kaufman
- Abstract要約: 被験者内の神経線維形態変化の予測と可視化のための新しいエンドツーエンドフレームワークであるNeuRegenerateを紹介する。
予測予測のために,サイクル一貫性生成対向ネットワーク(cycleGAN)に基づくディープラーニングネットワークであるneuReGANeratorを提案する。
ニューレGANeratorの再建精度は神経構造予測において94%であった。
- 参考スコア（独自算出の注目度）: 10.27276267081559
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent advances in high-resolution microscopy have allowed scientists to
better understand the underlying brain connectivity. However, due to the
limitation that biological specimens can only be imaged at a single timepoint,
studying changes to neural projections is limited to general observations using
population analysis. In this paper, we introduce NeuRegenerate, a novel
end-to-end framework for the prediction and visualization of changes in neural
fiber morphology within a subject, for specified age-timepoints.To predict
projections, we present neuReGANerator, a deep-learning network based on
cycle-consistent generative adversarial network (cycleGAN) that translates
features of neuronal structures in a region, across age-timepoints, for large
brain microscopy volumes. We improve the reconstruction quality of neuronal
structures by implementing a density multiplier and a new loss function, called
the hallucination loss.Moreover, to alleviate artifacts that occur due to
tiling of large input volumes, we introduce a spatial-consistency module in the
training pipeline of neuReGANerator. We show that neuReGANerator has a
reconstruction accuracy of 94% in predicting neuronal structures. Finally, to
visualize the predicted change in projections, NeuRegenerate offers two modes:
(1) neuroCompare to simultaneously visualize the difference in the structures
of the neuronal projections, across the age timepoints, and (2) neuroMorph, a
vesselness-based morphing technique to interactively visualize the
transformation of the structures from one age-timepoint to the other. Our
framework is designed specifically for volumes acquired using wide-field
microscopy. We demonstrate our framework by visualizing the structural changes
in neuronal fibers within the cholinergic system of the mouse brain between a
young and old specimen.
- Abstract（参考訳）: 近年の高分解能顕微鏡の進歩により、脳の接続性をよりよく理解できるようになった。
しかし、生物標本を1つの時点にしか撮影できないという制限のため、神経投射の変化の研究は集団分析による一般的な観察に限定されている。
本稿では,対象者内の神経線維形態変化の予測と可視化を行うための新しいエンドツーエンドフレームワークであるneuregenerateを提案する。予測予測のために,大脳顕微鏡ボリュームのための,ある領域における神経構造の特徴を解釈するcycleganに基づくディープラーニングネットワークであるneureganeratorを提案する。
本研究では,ニューレGANeratorのトレーニングパイプラインにおいて,高密度乗算器と幻覚損失と呼ばれる新たな損失関数を導入して,大容量入力ボリュームのタイリングによるアーティファクトの軽減を図ることにより,ニューレGANeratorのトレーニングパイプラインに空間整合モジュールを導入する。
ニューレGANeratorの再建精度は神経構造予測において94%であった。
最後に、予測された投射の変化を可視化するために、ニューレジェネレートは、2つのモードを提供する:(1)ニューロン投射の構造の違いを年齢の時点を越えて同時に可視化するニューロコンパクタ、(2)容器型モーフィング技術であるニューロモルフィック(neuromorph)は、ある年齢の時点から他方への構造の変化をインタラクティブに可視化する。
本フレームワークは広視野顕微鏡を用いて取得したボリュームに特化して設計されている。
若年検体と老齢検体の間のマウス脳のコリン作動性神経線維の構造変化を可視化することにより,我々の枠組みを実証する。
関連論文リスト
- MindBridge: A Cross-Subject Brain Decoding Framework [60.58552697067837]
脳の復号化は、獲得した脳信号から刺激を再構築することを目的としている。
現在、脳の復号化はモデルごとのオブジェクトごとのパラダイムに限られている。
我々は,1つのモデルのみを用いることで,オブジェクト間脳デコーディングを実現するMindBridgeを提案する。
論文 参考訳（メタデータ） (2024-04-11T15:46:42Z) - Towards a Foundation Model for Brain Age Prediction using coVariance
Neural Networks [102.75954614946258]
時間的年齢に関する脳年齢の増加は、神経変性と認知低下に対する脆弱性の増加を反映している。
NeuroVNNは、時系列年齢を予測するために、健康な人口の回帰モデルとして事前訓練されている。
NeuroVNNは、脳の年齢に解剖学的解釈性を加え、任意の脳のアトラスに従って計算されたデータセットへの転移を可能にする「スケールフリー」特性を持つ。
論文 参考訳（メタデータ） (2024-02-12T14:46:31Z) - Dive into the Power of Neuronal Heterogeneity [8.6837371869842]
進化戦略(ES)を用いて、スパイキングニューラルネットワーク(SNN)を最適化し、ランダムネットワークにおける異種ニューロンのより堅牢な最適化を実現するためのバックプロパゲーションベースの手法が直面する課題を示す。
膜時間定数は神経異質性において重要な役割を担っており、その分布は生物学的実験で観察されたものと類似している。
論文 参考訳（メタデータ） (2023-05-19T07:32:29Z) - Bio-Inspired Simple Neural Network for Low-Light Image Restoration: A
Minimalist Approach [8.75682288556859]
本研究では、網膜モデルにインスパイアされた単純なニューラルネットワークを用いて、低照度画像を効率よく復元する可能性について検討する。
提案するニューラルネットワークモデルは,従来の信号処理モデルと比較して計算オーバーヘッドを低減する。
論文 参考訳（メタデータ） (2023-05-03T01:16:45Z) - Spiking neural network for nonlinear regression [68.8204255655161]
スパイクニューラルネットワークは、メモリとエネルギー消費を大幅に削減する可能性を持っている。
彼らは、次世代のニューロモルフィックハードウェアによって活用できる時間的および神経的疎結合を導入する。
スパイキングニューラルネットワークを用いた回帰フレームワークを提案する。
論文 参考訳（メタデータ） (2022-10-06T13:04:45Z) - Adapting Brain-Like Neural Networks for Modeling Cortical Visual
Prostheses [68.96380145211093]
皮質補綴は視覚野に移植された装置で、電気的にニューロンを刺激することで失った視力を回復しようとする。
現在、これらのデバイスが提供する視覚は限られており、刺激による視覚知覚を正確に予測することはオープンな課題である。
我々は、視覚システムの有望なモデルとして登場した「脳様」畳み込みニューラルネットワーク(CNN)を活用することで、この問題に対処することを提案する。
論文 参考訳（メタデータ） (2022-09-27T17:33:19Z) - The Mori-Zwanzig formulation of deep learning [3.2851683371946754]
我々は,可逆統計力学の森・ズワンジグ形式に基づく新しいディープラーニングの定式化を開発する。
新しい方程式は、ディープニューラルネットワークの新しい効果的なパラメータ化を開発する出発点として使用できる。
論文 参考訳（メタデータ） (2022-09-12T18:44:50Z) - 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) - Neuroplastic graph attention networks for nuclei segmentation in
histopathology images [17.30043617044508]
細胞核のセマンティックセグメンテーションのための新しいアーキテクチャを提案する。
このアーキテクチャは、新しい神経可塑性グラフアテンションネットワークで構成されている。
実験的な評価では、我々のフレームワークは最先端のニューラルネットワークのアンサンブルよりも優れています。
論文 参考訳（メタデータ） (2022-01-10T22:19:14Z) - Factorized Neural Processes for Neural Processes: $K$-Shot Prediction of
Neural Responses [9.792408261365043]
我々は,小さな刺激応答対からニューロンのチューニング関数を推定するファクトリズ・ニューラル・プロセスを開発した。
本稿では,ニューラルプロセスからの予測および再構成された受容場が,試行数の増加とともに真理に近づいたことをシミュレートした応答を示す。
この新しいディープラーニングシステム識別フレームワークは、ニューラルネットワークモデリングを神経科学実験にリアルタイムに組み込むのに役立つと信じている。
論文 参考訳（メタデータ） (2020-10-22T15:43:59Z) - Neural Networks with Recurrent Generative Feedback [61.90658210112138]
畳み込みニューラルネットワーク(CNN)でこの設計をインスタンス化する
実験では、標準ベンチマーク上の従来のフィードフォワードCNNに対して、CNN-Fは敵のロバスト性を大幅に改善した。
論文 参考訳（メタデータ） (2020-07-17T19:32:48Z)
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。