論文の概要: Self-supervised Learning for Segmentation and Quantification of Dopamine
Neurons in $\text{Parkinson's Disease}$
- arxiv url: http://arxiv.org/abs/2301.08141v1
- Date: Wed, 11 Jan 2023 22:47:12 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-29 13:59:07.445617
- Title: Self-supervised Learning for Segmentation and Quantification of Dopamine
Neurons in $\text{Parkinson's Disease}$
- Title（参考訳）: $\text{Parkinson's Disease}$におけるドーパミンニューロンのセグメンテーションと定量化のための自己教師型学習
- Authors: Fatemeh Haghighi, Soumitra Ghosh, Hai Ngu, Sarah Chu, Han Lin, Mohsen
Hejrati, Baris Bingol, Somaye Hashemifar
- Abstract要約: スタスタティア・ニグラのドーパミン作動性ニューロン数を数えることは、PD動物モデルにおける薬物効果を評価する上で最も重要な指標の1つである。
PD動物モデルにおけるドーパミン作動性ニューロンの分画と定量化のためのエンドツーエンドディープラーニングフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 2.8730465903425877
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: $\text{Parkinson's Disease}$ (PD) is the second most common neurodegenerative
disease in humans. PD is characterized by the gradual loss of dopaminergic
neurons in the Substantia Nigra (a part of the mid-brain). Counting the number
of dopaminergic neurons in the Substantia Nigra is one of the most important
indexes in evaluating drug efficacy in PD animal models. Currently, analyzing
and quantifying dopaminergic neurons is conducted manually by experts through
analysis of digital pathology images which is laborious, time-consuming, and
highly subjective. As such, a reliable and unbiased automated system is
demanded for the quantification of dopaminergic neurons in digital pathology
images. We propose an end-to-end deep learning framework for the segmentation
and quantification of dopaminergic neurons in PD animal models. To the best of
knowledge, this is the first machine learning model that detects the cell body
of dopaminergic neurons, counts the number of dopaminergic neurons and provides
the phenotypic characteristics of individual dopaminergic neurons as a
numerical output. Extensive experiments demonstrate the effectiveness of our
model in quantifying neurons with a high precision, which can provide quicker
turnaround for drug efficacy studies, better understanding of dopaminergic
neuronal health status and unbiased results in PD pre-clinical research.
- Abstract（参考訳）: $\text{Parkinson's Disease}$ (PD)はヒトで2番目に一般的な神経変性疾患である。
PDの特徴は、スタテンティア・ニグラ(中脳の一部)でドパミン作動性ニューロンが徐々に失われることである。
スタスタティア・ニグラのドーパミン作動性ニューロン数を数えることは、PD動物モデルにおける薬物効果を評価する上で最も重要な指標の1つである。
現在, ドパミン作動性ニューロンの解析と定量化は, 手間がかかり, 時間を要する, 主観的なデジタル病理画像の解析を通じて, 専門家によって手作業で行われている。
そのため、デジタル病理画像におけるドーパミン作動性ニューロンの定量化には、信頼性と偏りのない自動システムが必要である。
PD動物モデルにおけるドーパミン作動性ニューロンの分画と定量化のためのエンドツーエンドディープラーニングフレームワークを提案する。
これは、ドーパミン作動性ニューロンの細胞体を検出し、ドーパミン作動性ニューロンの数を数え、個々のドーパミン作動性ニューロンの表現特性を数値出力として提供する最初の機械学習モデルである。
幅広い実験により,ドーパミン作動性ニューロンの健康状態の把握,pd前臨床研究における不偏性結果の把握がより迅速に行えるように,高精度なニューロン定量におけるモデルの有効性が実証された。
関連論文リスト
- Diffusion Models for Computational Neuroimaging: A Survey [20.24146298881525]
コンピュータ・ニューロイメージング(Computational Neuroimaging)は、人間の認知と行動に対する機械的な洞察と予測ツールを提供するため、脳画像や信号を解析することを含む。
拡散モデルでは、自然画像の安定性と高品質な生成が示されている。
データエンハンスメント、疾患診断、脳の復号化など、様々な神経学的タスクの脳データ分析に適応することへの関心が高まっている。
論文 参考訳（メタデータ） (2025-02-10T15:20:07Z) - Single-neuron deep generative model uncovers underlying physics of neuronal activity in Ca imaging data [0.0]
自己回帰変分オートエンコーダ(AVAE)を用いた単一ニューロン表現学習のための新しいフレームワークを提案する。
我々のアプローチでは、スパイク推論アルゴリズムを必要とせずに、個々のニューロンの信号を縮小次元空間に埋め込む。
AVAEは、より情報的で差別的な潜在表現を生成することによって、従来の線形手法よりも優れている。
論文 参考訳（メタデータ） (2025-01-24T16:33:52Z) - QuantFormer: Learning to Quantize for Neural Activity Forecasting in Mouse Visual Cortex [26.499583552980248]
QuantFormerは、2光子カルシウムイメージングデータから神経活動を予測するために特別に設計されたトランスフォーマーベースのモデルである。
QuantFormerは、マウス視覚野の活動を予測する新しいベンチマークを設定している。
様々な刺激や個人に対して、堅牢なパフォーマンスと一般化を示す。
論文 参考訳（メタデータ） (2024-12-10T07:44:35Z) - 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) - Constraints on the design of neuromorphic circuits set by the properties
of neural population codes [61.15277741147157]
脳内では、情報はコード化され、伝達され、行動を伝えるために使用される。
ニューロモルフィック回路は、脳内のニューロンの集団が使用するものと互換性のある方法で情報を符号化する必要がある。
論文 参考訳（メタデータ） (2022-12-08T15:16:04Z) - Feature visualization for convolutional neural network models trained on
neuroimaging data [0.0]
畳み込みニューラルネットワーク(CNN)の機能可視化による最初の結果を示す。
我々は、MRIデータに基づく性分類や人為的病変分類など、さまざまなタスクのためにCNNを訓練した。
得られた画像は、その形状を含む人工的な病変の学習概念を明らかにするが、性分類タスクにおける抽象的な特徴を解釈することは困難である。
論文 参考訳（メタデータ） (2022-03-24T15:24:38Z) - 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) - 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) - 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) - Neuro-symbolic Neurodegenerative Disease Modeling as Probabilistic
Programmed Deep Kernels [93.58854458951431]
本稿では、神経変性疾患のパーソナライズされた予測モデリングのための、確率的プログラムによる深層カーネル学習手法を提案する。
我々の分析は、ニューラルネットワークとシンボリック機械学習のアプローチのスペクトルを考慮する。
我々は、アルツハイマー病の予測問題について評価を行い、深層学習を超越した結果を得た。
論文 参考訳（メタデータ） (2020-09-16T15:16:03Z)
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。