論文の概要: Joint Learning Neuronal Skeleton and Brain Circuit Topology with
Permutation Invariant Encoders for Neuron Classification
- arxiv url: http://arxiv.org/abs/2312.14518v1
- Date: Fri, 22 Dec 2023 08:31:11 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-25 15:37:24.273679
- Title: Joint Learning Neuronal Skeleton and Brain Circuit Topology with
Permutation Invariant Encoders for Neuron Classification
- Title（参考訳）: ニューロン分類のための置換不変エンコーダを用いた統合学習神経骨格と脳回路トポロジー
- Authors: Minghui Liao, Guojia Wan, Bo Du
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 37.623010515248474
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Determining the types of neurons within a nervous system plays a significant
role in the analysis of brain connectomics and the investigation of
neurological diseases. However, the efficiency of utilizing anatomical,
physiological, or molecular characteristics of neurons is relatively low and
costly. With the advancements in electron microscopy imaging and analysis
techniques for brain tissue, we are able to obtain whole-brain connectome
consisting neuronal high-resolution morphology and connectivity information.
However, few models are built based on such data for automated neuron
classification. In this paper, we propose NeuNet, a framework that combines
morphological information of neurons obtained from skeleton and topological
information between neurons obtained from neural circuit. Specifically, NeuNet
consists of three components, namely Skeleton Encoder, Connectome Encoder, and
Readout Layer. Skeleton Encoder integrates the local information of neurons in
a bottom-up manner, with a one-dimensional convolution in neural skeleton's
point data; Connectome Encoder uses a graph neural network to capture the
topological information of neural circuit; finally, Readout Layer fuses the
above two information and outputs classification results. We reprocess and
release two new datasets for neuron classification task from volume electron
microscopy(VEM) images of human brain cortex and Drosophila brain. Experiments
on these two datasets demonstrated the effectiveness of our model with accuracy
of 0.9169 and 0.9363, respectively. Code and data are available at:
https://github.com/WHUminghui/NeuNet.
- Abstract（参考訳）: 神経系内のニューロンの種類を決定することは、脳コネクトミクスの分析や神経疾患の研究において重要な役割を果たす。
しかし、ニューロンの解剖学的、生理学的、分子的特性を利用する効率は比較的低く費用がかかる。
脳組織の電子顕微鏡イメージングと解析技術の進歩により、我々は神経細胞の高分解能形態と接続情報からなる全脳コネクトームを得ることができる。
しかし、そのようなデータに基づいて自動ニューロン分類を行うモデルはほとんどない。
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フレームワークであるNeuNetを提案する。
具体的には、NeuNetはSkeleton Encoder、Connectome Encoder、Readout Layerという3つのコンポーネントで構成されている。
スケルトンエンコーダは、神経骨格の点データに1次元の畳み込みを伴うボトムアップ方式でニューロンの局所情報を統合し、コネクトームエンコーダはグラフニューラルネットワークを使用して神経回路のトポロジ情報を取得し、読み出し層は上記の2つの情報を融合し、分類結果を出力する。
ヒト大脳皮質とショウジョウバエ脳のボリューム電子顕微鏡(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,公開する。
これら2つのデータセットに対する実験により, 精度0.9169と0.9363のモデルの有効性が示された。
コードとデータは、https://github.com/WHUminghui/NeuNet.comで入手できる。
関連論文リスト
- NeuroBind: Towards Unified Multimodal Representations for Neural Signals [20.02503060795981]
脳波、fMRI、カルシウムイメージング、スパイキングデータを含む複数の脳信号タイプを統一する表現であるNeuroBindを提案する。
このアプローチは、神経科学研究の進展、AIシステムの改善、神経補綴学と脳-コンピュータインターフェースの開発において大きな可能性を秘めている。
論文 参考訳（メタデータ） (2024-07-19T04:42:52Z) - BrainODE: Dynamic Brain Signal Analysis via Graph-Aided Neural Ordinary Differential Equations [67.79256149583108]
本稿では,脳波を連続的にモデル化するBrainODEというモデルを提案する。
遅延初期値とニューラルODE関数を不規則な時系列から学習することにより、BrainODEは任意の時点の脳信号を効果的に再構築する。
論文 参考訳（メタデータ） (2024-04-30T10:53:30Z) - 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) - 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) - 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) - 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) - Rapid detection and recognition of whole brain activity in a freely
behaving Caenorhabditis elegans [18.788855494800238]
本稿では,脳神経節ニューロンの長期的,迅速な認識のためのカスケードソリューションを提案する。
少数のトレーニングサンプルの制約の下で、ボトムアップアプローチでは、各ボリューム – 1024倍1024倍18ドル – を1秒未満で処理することができます。
我々の研究は、動物行動に基づく脳の活動全体をデコードするための、迅速かつ完全に自動化されたアルゴリズムに向けた重要な発展を示している。
論文 参考訳（メタデータ） (2021-09-22T01:33:54Z) - The Neural Coding Framework for Learning Generative Models [91.0357317238509]
本稿では,脳の予測処理理論に触発された新しい神経生成モデルを提案する。
同様に、私たちの生成モデルにおける人工ニューロンは、隣接するニューロンが何をするかを予測し、予測が現実にどの程度一致するかに基づいてパラメータを調整します。
論文 参考訳（メタデータ） (2020-12-07T01:20:38Z) - Generalizable Machine Learning in Neuroscience using Graph Neural
Networks [0.0]
ニューラルネットワークは、ニューロンレベルの動的予測と行動状態の分類の両方において、非常によく機能することを示す。
実験の結果, グラフニューラルネットワークは構造モデルよりも優れ, 目に見えない生物の一般化に優れていた。
論文 参考訳（メタデータ） (2020-10-16T18:09:46Z) - Non-linear Neurons with Human-like Apical Dendrite Activations [81.18416067005538]
XOR論理関数を100%精度で学習し, 標準的なニューロンに後続のアピーカルデンドライト活性化(ADA)が認められた。
コンピュータビジョン,信号処理,自然言語処理の6つのベンチマークデータセットについて実験を行った。
論文 参考訳（メタデータ） (2020-02-02T21:09:39Z)
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。