論文の概要: 3D Segmentation of Neuronal Nuclei and Cell-Type Identification using Multi-channel Information
- arxiv url: http://arxiv.org/abs/2410.03248v1
- Date: Fri, 4 Oct 2024 09:13:02 GMT
- ステータス: 処理完了
- システム内更新日: 2024-11-02 23:28:42.579316
- Title: 3D Segmentation of Neuronal Nuclei and Cell-Type Identification using Multi-channel Information
- Title（参考訳）: 多チャンネル情報を用いた神経細胞の3次元分割と細胞型同定
- Authors: Antonio LaTorre, Lidia Alonso-Nanclares, José María Peña, Javier De Felipe,
- Abstract要約: 本稿では, 神経核の3次元再構成を改良し, セグメンテーションを可能にする手法を提案する。
神経細胞核と3Dセグメンテーションの良好な識別比を提供することができた。
- 参考スコア（独自算出の注目度）: 2.6034750171634102
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Background Analyzing images to accurately estimate the number of different cell types in the brain using automatic methods is a major objective in neuroscience. The automatic and selective detection and segmentation of neurons would be an important step in neuroanatomical studies. New method We present a method to improve the 3D reconstruction of neuronal nuclei that allows their segmentation, excluding the nuclei of non-neuronal cell types. Results We have tested the algorithm on stacks of images from rat neocortex, in a complex scenario (large stacks of images, uneven staining, and three different channels to visualize different cellular markers). It was able to provide a good identification ratio of neuronal nuclei and a 3D segmentation. Comparison with Existing Methods: Many automatic tools are in fact currently available, but different methods yield different cell count estimations, even in the same brain regions, due to differences in the labeling and imaging techniques, as well as in the algorithms used to detect cells. Moreover, some of the available automated software methods have provided estimations of cell numbers that have been reported to be inaccurate or inconsistent after evaluation by neuroanatomists. Conclusions It is critical to have a tool for automatic segmentation that allows discrimination between neurons, glial cells and perivascular cells. It would greatly speed up a task that is currently performed manually and would allow the cell counting to be systematic, avoiding human bias. Furthermore, the resulting 3D reconstructions of different cell types can be used to generate models of the spatial distribution of cells.
- Abstract（参考訳）: 背景分析画像を用いて脳内の異なる細胞の種類を正確に推定することは神経科学の主要な目的である。
神経細胞の自動的、選択的検出とセグメンテーションは、神経解剖学的研究において重要なステップである。
神経核の3次元再構成を改良し,非神経細胞型以外の領域を分割する手法を提案する。
結果は,ラット新皮質からの画像のスタック上で,複雑なシナリオ(大きな画像のスタック,不均一な染色,異なる細胞マーカーを可視化する3つの異なるチャネル)で検証した。
神経細胞核と3Dセグメンテーションの良好な識別比を提供することができた。
既存の方法との比較: 多くの自動ツールが現在利用可能であるが、異なる方法では、ラベル付けとイメージング技術の違いや、細胞を検知するアルゴリズムの違いにより、同じ脳の領域でも異なる細胞数の推定結果が得られる。
さらに、利用可能な自動化ソフトウェア手法のいくつかは、神経解剖学者による評価の後、不正確または不整合であると報告された細胞数を推定した。
結論 神経細胞、グリア細胞、および血管周囲細胞を識別する自動セグメンテーションのためのツールを持つことは重要である。
それは、現在手動で実行されているタスクを大幅にスピードアップし、細胞のカウントを体系的にし、人間のバイアスを避けます。
さらに、異なる細胞の3次元再構成により、細胞の空間分布のモデルを生成することができる。
関連論文リスト
- 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) - Denoising Diffusion Probabilistic Models for Image Inpainting of Cell
Distributions in the Human Brain [0.0]
そこで本研究では,細胞-体間染色部の光顕微鏡スキャンにより学習した拡散確率モデル(DDPM)を提案する。
訓練したDDPMは,この目的のために非常にリアルな画像情報を生成でき,可塑性細胞統計と細胞構造パターンを生成できることを示す。
論文 参考訳（メタデータ） (2023-11-28T14:34:04Z) - NCIS: Deep Color Gradient Maps Regression and Three-Class Pixel
Classification for Enhanced Neuronal Cell Instance Segmentation in
Nissl-Stained Histological Images [0.5273938705774914]
本稿では,Nissl-stained histological image of the brainにおいて,単一神経細胞を自動分離するエンド・ツー・エンドの枠組みを提案する。
エンコーダとしてEfficientNetと2つのデコードブランチを備えたU-Netライクなアーキテクチャを用いて、4つの勾配カラーマップを復元し、ピクセルをタッチセル、細胞体、背景の間の輪郭に分類する。
この方法は大脳皮質と小脳の画像でテストされ、最近の深層学習による細胞のインスタンス分割のアプローチよりも優れています。
論文 参考訳（メタデータ） (2023-06-27T20:22:04Z) - MR-NOM: Multi-scale Resolution of Neuronal cells in Nissl-stained
histological slices via deliberate Over-segmentation and Merging [0.5273938705774914]
比較神経解剖学では、脳細胞構造の特徴は脳の構造と機能をよりよく理解するために重要である。
MR-NOMは、細胞をスーパーピクセルに意図的に過剰に分割し、形状、構造、強度の特徴に基づいて分類器を介してマージするマルチスケールアプローチを利用する。
この方法は大脳皮質の画像でテストされ、部分的に触れたり重なり合う様々な特性の細胞を扱うことに成功した。
論文 参考訳（メタデータ） (2022-11-14T14:42:29Z) - 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) - Deep Learning Enabled Time-Lapse 3D Cell Analysis [7.094247258573337]
本稿では, タイムラプスな3Dセル解析手法を提案する。
そこで我々は,細胞下の特徴を正確に局所化し,定量的に分析する問題を考察した。
コードはGithubで入手でき、このメソッドはBisQueポータル経由でサービスとして利用できる。
論文 参考訳（メタデータ） (2022-08-17T00:07:25Z) - 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) - 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) - Overcoming the Domain Gap in Neural Action Representations [60.47807856873544]
3Dポーズデータは、手動で介入することなく、マルチビュービデオシーケンスから確実に抽出できる。
本稿では,ニューラルアクション表現の符号化を,ニューラルアクションと行動拡張のセットと共に導くために使用することを提案する。
ドメインギャップを減らすために、トレーニングの間、同様の行動をしているように見える動物間で神経と行動のデータを取り替える。
論文 参考訳（メタデータ） (2021-12-02T12:45:46Z) - Astrocytes mediate analogous memory in a multi-layer neuron-astrocytic
network [52.77024349608834]
情報の一部が数秒間堅牢な活動パターンとして維持され、他の刺激が来なければ完全に消滅することを示す。
この種の短期記憶は、操作情報を数秒保存し、次のパターンとの重複を避けるために完全に忘れてしまう。
任意のパターンをロードし、一定の間隔で保存し、適切な手掛かりパターンを入力に適用した場合に検索する方法について示す。
論文 参考訳（メタデータ） (2021-08-31T16:13:15Z) - Comparisons among different stochastic selection of activation layers
for convolutional neural networks for healthcare [77.99636165307996]
ニューラルネットワークのアンサンブルを用いて生体医用画像の分類を行う。
ReLU, leaky ReLU, Parametric ReLU, ELU, Adaptive Piecewice Linear Unit, S-Shaped ReLU, Swish, Mish, Mexican Linear Unit, Parametric Deformable Linear Unit, Soft Root Sign。
論文 参考訳（メタデータ） (2020-11-24T01:53:39Z)
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。