論文の概要: MorphGrower: A Synchronized Layer-by-layer Growing Approach for Plausible Neuronal Morphology Generation

• arxiv url: http://arxiv.org/abs/2401.09500v2
• Date: Thu, 23 May 2024 07:53:22 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-25 11:36:31.476713
• Title: MorphGrower: A Synchronized Layer-by-layer Growing Approach for Plausible Neuronal Morphology Generation
• Title（参考訳）: MorphGrower: プラウシブル神経形態形成のためのシンクロナイズド・レイヤ・バイ・レイヤー成長アプローチ
• Authors: Nianzu Yang, Kaipeng Zeng, Haotian Lu, Yexin Wu, Zexin Yuan, Danni Chen, Shengdian Jiang, Jiaxiang Wu, Yimin Wang, Junchi Yan,
• Abstract要約: 本稿では,ニューロンの自然成長機構を模倣したMorphGrowerを提案する。 MorphGrowerは層ごとにモルフォロジー層を生成し、その後の各層は以前に生成された構造に条件付けされる。 4つの実世界のデータセットの結果、MorphGrowerはMorphVAEを顕著な差で上回っている。
• 参考スコア（独自算出の注目度）: 38.87351909710185
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Neuronal morphology is essential for studying brain functioning and understanding neurodegenerative disorders. As acquiring real-world morphology data is expensive, computational approaches for morphology generation have been studied. Traditional methods heavily rely on expert-set rules and parameter tuning, making it difficult to generalize across different types of morphologies. Recently, MorphVAE was introduced as the sole learning-based method, but its generated morphologies lack plausibility, i.e., they do not appear realistic enough and most of the generated samples are topologically invalid. To fill this gap, this paper proposes MorphGrower, which mimicks the neuron natural growth mechanism for generation. Specifically, MorphGrower generates morphologies layer by layer, with each subsequent layer conditioned on the previously generated structure. During each layer generation, MorphGrower utilizes a pair of sibling branches as the basic generation block and generates branch pairs synchronously. This approach ensures topological validity and allows for fine-grained generation, thereby enhancing the realism of the final generated morphologies. Results on four real-world datasets demonstrate that MorphGrower outperforms MorphVAE by a notable margin. Importantly, the electrophysiological response simulation demonstrates the plausibility of our generated samples from a neuroscience perspective. Our code is available at https://github.com/Thinklab-SJTU/MorphGrower.
• Abstract（参考訳）: 神経形態学は脳の機能研究と神経変性疾患の理解に不可欠である。 実世界の形態データの取得は費用がかかるため、形態素生成のための計算手法が研究されている。 従来の手法はエキスパートセットのルールやパラメータのチューニングに大きく依存しており、様々な形態素をまたいだ一般化が困難である。 近年、MorphVAEは単独の学習法として導入されているが、その生成形態は妥当性に欠けており、現実的には見えず、ほとんどのサンプルは位相的に無効である。 このギャップを埋めるために、生成のためのニューロンの自然成長機構を模倣したMorphGrowerを提案する。 具体的には、MorphGrowerは層ごとにモルフォロジー層を生成し、その後の各層は以前に生成された構造に条件付けされる。 各レイヤ生成において、MorphGrowerは、基本的な生成ブロックとして、一対の兄弟ブランチを使用し、同期的にブランチペアを生成する。 このアプローチは位相的妥当性を保証し、きめ細かな生成を可能にし、最終的な生成形態の現実性を高める。 4つの実世界のデータセットの結果、MorphGrowerはMorphVAEを顕著な差で上回っている。 重要なことに、電気生理学的反応シミュレーションは、神経科学の観点から生成されたサンプルの妥当性を示す。 私たちのコードはhttps://github.com/Thinklab-SJTU/MorphGrower.comで公開されています。

関連論文リスト

• ConUNETR: A Conditional Transformer Network for 3D Micro-CT Embryonic Cartilage Segmentation [13.497950682194704]
  本研究では, 形態学的に多様な情報を条件付き機構で蒸留するトランスフォーマーを用いた新しいセグメンテーションモデルを提案する。 実験では,他の競合セグメンテーションモデルと比較して,新しいモデルの優位性を示した。
  論文  参考訳（メタデータ） (2024-02-06T04:30:49Z)
• Prediction of Diblock Copolymer Morphology via Machine Learning [0.0]
  長い時間スケールでのブロックポリマーのモルフォロジー進化の計算を高速化するための機械学習手法が提案されている。 経験的消滅モデルとは対照的に,提案手法は粒子シミュレーションから直接連続的に駆動される欠陥過程について学習する。 この研究は、指向的な自己組織化とマイクロエレクトロニクス、電池材料、膜における材料設計に影響を及ぼす。
  論文  参考訳（メタデータ） (2023-08-31T17:45:34Z)
• MetaMorph: Learning Metamorphic Image Transformation With Appearance Changes [7.248454903977972]
  外観変化を伴う画像の登録のための新しい予測モデルMetaMorph(脳腫瘍による画像の登録)を提案する。 本モデルでは, 外観変化領域の負の効果を効果的に抑制できる新しい正規化を導入する。 実際のヒト脳腫瘍MRI画像におけるMetaMorphの有用性について検討した。
  論文  参考訳（メタデータ） (2023-03-08T19:30:58Z)
• Deep Structural Causal Shape Models [21.591869329812283]
  因果推論(Causal reasoning)は、重要な介入や反現実的な疑問を問う言語を提供する。 医用画像では,遺伝的要因,環境要因,ライフスタイル要因の因果効果について検討する。 形態的変動に関する因果推論を可能にするための計算ツールが不足している。
  論文  参考訳（メタデータ） (2022-08-23T13:18:20Z)
• Self-Supervised Graph Representation Learning for Neuronal Morphologies [75.38832711445421]
  ラベルのないデータセットから3次元神経形態の低次元表現を学習するためのデータ駆動型アプローチであるGraphDINOを提案する。 2つの異なる種と複数の脳領域において、この方法では、専門家による手動の特徴に基づく分類と同程度に形態学的細胞型クラスタリングが得られることを示す。 提案手法は,大規模データセットにおける新しい形態的特徴や細胞型の発見を可能にする可能性がある。
  論文  参考訳（メタデータ） (2021-12-23T12:17:47Z)
• Mapping and Validating a Point Neuron Model on Intel's Neuromorphic Hardware Loihi [77.34726150561087]
  インテルの第5世代ニューロモルフィックチップ「Loihi」の可能性について検討する。 Loihiは、脳内のニューロンをエミュレートするスパイキングニューラルネットワーク(SNN)という新しいアイデアに基づいている。 Loihiは従来のシミュレーションを非常に効率的に再現し、ネットワークが大きくなるにつれて、時間とエネルギーの両方のパフォーマンスにおいて顕著にスケールする。
  論文  参考訳（メタデータ） (2021-09-22T16:52:51Z)
• Texture Generation with Neural Cellular Automata [64.70093734012121]
  一つのテンプレート画像からテクスチャジェネレータを学習する。 NCAモデルで示される振る舞いは、テクスチャを生成するための学習された分散されたローカルアルゴリズムであると主張します。
  論文  参考訳（メタデータ） (2021-05-15T22:05:46Z)
• Task-Agnostic Morphology Evolution [94.97384298872286]
  モルフォロジーと振る舞いを共同適用する現在のアプローチでは、特定のタスクの報酬をモルフォロジー最適化のシグナルとして使用します。 これはしばしば高価なポリシー最適化を必要とし、一般化するために構築されていないタスクに依存した形態をもたらす。 我々は,これらの問題を緩和するための新しいアプローチであるタスク非依存形態進化(tame)を提案する。
  論文  参考訳（メタデータ） (2021-02-25T18:59:21Z)
• Going beyond p-convolutions to learn grayscale morphological operators [64.38361575778237]
  p-畳み込み層と同じ原理に基づく2つの新しい形態層を提示する。 本研究では, p-畳み込み層と同じ原理に基づく2つの新しい形態層を示す。
  論文  参考訳（メタデータ） (2021-02-19T17:22:16Z)
• An Experiment in Morphological Development for Learning ANN Based Controllers [0.0]
  学習過程は出生時の形態から始まり、成人になるまで形態を変化させる。 このアプローチをロボットシステムに移すと、文献で得られた結果は矛盾する。 本稿では,四足歩行における簡単な,しかし非常に有意義な実験から,いくつかの問題を解析する。
  論文  参考訳（メタデータ） (2020-03-12T14:29:06Z)

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。