論文の概要: Neuronal Cell Type Classification using Deep Learning
- arxiv url: http://arxiv.org/abs/2306.00528v1
- Date: Thu, 1 Jun 2023 10:28:49 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-02 17:03:36.016354
- Title: Neuronal Cell Type Classification using Deep Learning
- Title（参考訳）: 深層学習を用いた神経細胞型分類
- Authors: Ofek Ophir, Orit Shefi, Ofir Lindenbaum
- Abstract要約: 機械学習の最近の進歩は、ニューロンを分類する高度な能力を提供してきた。
本研究の目的は,脳の電気生理学的活動に基づいてニューロンを分類する,堅牢で説明可能なディープラーニングフレームワークを提供することである。
- 参考スコア（独自算出の注目度）: 3.3517146652431378
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The brain is likely the most complex organ, given the variety of functions it
controls, the number of cells it comprises, and their corresponding diversity.
Studying and identifying neurons, the brain's primary building blocks, is a
crucial milestone and essential for understanding brain function in health and
disease. Recent developments in machine learning have provided advanced
abilities for classifying neurons. However, these methods remain black boxes
with no explainability and reasoning. This paper aims to provide a robust and
explainable deep-learning framework to classify neurons based on their
electrophysiological activity. Our analysis is performed on data provided by
the Allen Cell Types database containing a survey of biological features
derived from single-cell recordings of mice and humans. First, we classify
neuronal cell types of mice data to identify excitatory and inhibitory neurons.
Then, neurons are categorized to their broad types in humans using domain
adaptation from mice data. Lastly, neurons are classified into sub-types based
on transgenic mouse lines using deep neural networks in an explainable fashion.
We show state-of-the-art results in a dendrite-type classification of
excitatory vs. inhibitory neurons and transgenic mouse lines classification.
The model is also inherently interpretable, revealing the correlations between
neuronal types and their electrophysiological properties.
- Abstract（参考訳）: 脳はおそらく最も複雑な器官であり、制御するさまざまな機能、構成する細胞の数、それに対応する多様性を考慮に入れている。
脳の主要な構成要素である神経細胞の研究と同定は、健康と病気の脳機能を理解する上で重要なマイルストーンである。
近年の機械学習は、ニューロンを分類する高度な能力を提供している。
しかし、これらの手法は説明可能性や推論のないブラックボックスのままである。
本研究の目的は,ニューロンを電気生理学的活動に基づいて分類する,堅牢で説明可能なディープラーニングフレームワークを提供することである。
本研究は,マウスとヒトの単細胞記録から得られた生物学的特徴を網羅したアレン細胞型データベースを用いて解析を行った。
まず,マウスの神経細胞の種類を分類し,興奮性および抑制性ニューロンを同定する。
次に、ニューロンはマウスのデータから領域適応を用いて、ヒトの幅広いタイプに分類される。
最後に、ディープニューラルネットワークを用いて、トランスジェニックマウスの系統に基づくサブタイプに分類される。
興奮性ニューロンと抑制性ニューロンのデンドライト型分類とトランスジェニックマウス系統分類における最先端の結果を示す。
このモデルは本質的に解釈可能であり、神経型と電気生理学的性質の相関関係を明らかにする。
関連論文リスト
- Joint Learning Neuronal Skeleton and Brain Circuit Topology with Permutation Invariant Encoders for Neuron Classification [33.47541392305739]
本稿では,スケルトンから得られるニューロンの形態情報と神経回路から得られるニューロン間のトポロジ情報を組み合わせたNeuNetフレームワークを提案する。
我々は、ヒト大脳皮質とショウジョウバエ脳の体積電子顕微鏡(VEM)画像からニューロン分類タスクのための2つの新しいデータセットを再処理し、リリースする。
論文 参考訳（メタデータ） (2023-12-22T08:31:11Z) - Identifying Interpretable Visual Features in Artificial and Biological
Neural Systems [3.604033202771937]
ニューラルネットワークの単一ニューロンはしばしば、個々の直感的に意味のある特徴を表すものとして解釈される。
多くのニューロンは$textitmixed selectivity$、すなわち複数の無関係な特徴を示す。
本稿では、視覚的解釈可能性の定量化と、ネットワークアクティベーション空間における意味のある方向を見つけるためのアプローチを提案する。
論文 参考訳（メタデータ） (2023-10-17T17:41:28Z) - Single Biological Neurons as Temporally Precise Spatio-Temporal Pattern
Recognizers [0.0]
理論は、脳内の単一ニューロンは、時間的に非常に複雑な時間的パターン認識因子と見なされるべきという中心的な考え方に焦点を当てている。
第2章では、特定の時間的入力パターンに応答して、単一ニューロンが時間的に正確な出力パターンを生成できることを実証する。
第3章では、現実的な皮質ニューロンの識別可能な深部ネットワークを用いて、ニューロンの出力の影響を近似する。
論文 参考訳（メタデータ） (2023-09-26T17:32:08Z) - 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) - A Neural Network Based Automated IFT-20 Sensory Neuron Classifier for
Caenorhabditis elegans [0.0]
組織間比較は、機能ネットワークの全脳分析を含む幅広い研究を可能にする。
線虫 Caenorhabditis elegans における単細胞分解能のパンニューロンイメージングの最近の進歩は、すべての到達範囲におけるニューロンの同定、追跡、活動監視をもたらした。
高い精度で神経細胞を同定する主な障壁は、成人のC. elegansでは神経細胞の体の位置がステレオタイプ化されていないことである。
単色蛍光画像のみを用いた別の神経細胞識別手法を提案する。
論文 参考訳（メタデータ） (2022-10-24T00:17:26Z) - Natural Language Descriptions of Deep Visual Features [50.270035018478666]
オープンエンド,コンポジション,自然言語による記述で自動的にニューロンをラベル付けする手法を提案する。
我々はMILANを用いて、視覚モデルにおける属性、カテゴリ、関係情報を選択的に選択したニューロンの分布と重要性を特徴付ける。
また、これらの特徴を曖昧にすることを目的としたデータセットでトレーニングされたモデルにおいて、人種や性別といった保護されたカテゴリに敏感な、監査用のMILANも使用しています。
論文 参考訳（メタデータ） (2022-01-26T18:48:02Z) - 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) - The distribution of inhibitory neurons in the C. elegans connectome
facilitates self-optimization of coordinated neural activity [78.15296214629433]
線虫Caenorhabditis elegansの神経系は、昆虫のサイズが小さいにもかかわらず著しく複雑である。
一般的な課題は、システムレベルでの神経組織と神経活動の関係をよりよく理解することである。
我々は,各ニューロンの神経伝達物質同定を近似した,C. elegans Connectomeの抽象シミュレーションモデルを実装した。
論文 参考訳（メタデータ） (2020-10-28T23:11:37Z) - Compositional Explanations of Neurons [52.71742655312625]
本稿では, 合成論理的概念を同定し, 深部表現におけるニューロンの説明手順について述べる。
本稿では,視覚と自然言語処理のモデルにおける解釈可能性に関するいくつかの疑問に答えるために,この手順を用いる。
論文 参考訳（メタデータ） (2020-06-24T20:37:05Z)
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。