論文の概要: Towards Generalized Synapse Detection Across Invertebrate Species

• arxiv url: http://arxiv.org/abs/2509.17041v1
• Date: Sun, 21 Sep 2025 11:40:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-23 18:58:16.084553
• Title: Towards Generalized Synapse Detection Across Invertebrate Species
• Title（参考訳）: 無脊椎動物の総合シナプス検出に向けて
• Authors: Samia Mohinta, Daniel Franco-Barranco, Shi Yan Lee, Albert Cardona,
• Abstract要約: SimpSynはシングルステージのResidual U-Netで、シナプス前および後における二重チャネルの球面の予測を訓練している。 F1スコアのSynfulは、すべてのボリュームで相乗的なサイト検出に優れています。
• 参考スコア（独自算出の注目度）: 0.07999703756441755
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Behavioural differences across organisms, whether healthy or pathological, are closely tied to the structure of their neural circuits. Yet, the fine-scale synaptic changes that give rise to these variations remain poorly understood, in part due to persistent challenges in detecting synapses reliably and at scale. Volume electron microscopy (EM) offers the resolution required to capture synaptic architecture, but automated detection remains difficult due to sparse annotations, morphological variability, and cross-dataset domain shifts. To address this, we make three key contributions. First, we curate a diverse EM benchmark spanning four datasets across two invertebrate species: adult and larval Drosophila melanogaster, and Megaphragma viggianii (micro-WASP). Second, we propose SimpSyn, a single-stage Residual U-Net trained to predict dual-channel spherical masks around pre- and post-synaptic sites, designed to prioritize training and inference speeds and annotation efficiency over architectural complexity. Third, we benchmark SimpSyn against Buhmann et al.'s Synful [1], a state-of-the-art multi-task model that jointly infers synaptic pairs. Despite its simplicity, SimpSyn consistently outperforms Synful in F1-score across all volumes for synaptic site detection. While generalization across datasets remains limited, SimpSyn achieves competitive performance when trained on the combined cohort. Finally, ablations reveal that simple post-processing strategies - such as local peak detection and distance-based filtering - yield strong performance without complex test-time heuristics. Taken together, our results suggest that lightweight models, when aligned with task structure, offer a practical and scalable solution for synapse detection in large-scale connectomic pipelines.
• Abstract（参考訳）: 生物間の行動の違いは、健康でも病理でも、神経回路の構造と密接に結びついている。 しかし、これらの変化を引き起こす微細なシナプス変化は、部分的にはシナプスを確実にかつ大規模に検出する上での永続的な課題のために、いまだに理解されていない。 Volume Electron Microscopy (EM) はシナプス構造を捉えるのに必要な解像度を提供するが、疎アノテーション、形態的変動、データセット間のドメインシフトのために自動検出は難しいままである。 これに対応するために、私たちは3つの重要なコントリビューションを行います。 まず,成虫と幼虫のショウジョウバエ,およびMegaphragma viggianii (micro-WASP)の2種の無脊椎動物の4つのデータセットにまたがる多様なEMベンチマークを解析した。 第2に,SimpSynを提案する。SimpSynは,SimpSynは,プレシナプスサイトとポストシナプスサイトを囲む2チャネルの球面マスクを予測し,アーキテクチャ上の複雑さよりもトレーニングと推論の速度とアノテーションの効率を優先するために設計された,単一ステージのU-Netである。 第3に,SimpSyn と Buhmann et al's Synful [1] とのベンチマークを行った。 シンプルさにもかかわらず、SimpSynは全ボリュームでF1スコアのSynfulを一貫して上回り、シナプスサイト検出に役立っている。 データセット間の一般化は依然として限られているが、SimpSynは組み合わせコホートでトレーニングされた場合、競争性能を達成する。 最後に、局所的なピーク検出や距離に基づくフィルタリングのような単純な後処理戦略が、複雑なテスト時間ヒューリスティックを伴わずに、強力なパフォーマンスをもたらすことを明らかにする。 この結果から,タスク構造に整合した軽量モデルは,大規模なコネクトロミックパイプラインにおいて,シナプス検出のための実用的でスケーラブルなソリューションを提供する可能性が示唆された。

関連論文リスト

• SynBrain: Enhancing Visual-to-fMRI Synthesis via Probabilistic Representation Learning [50.69448058071441]
  視覚刺激が皮質反応にどのように変換されるかを理解することは、計算神経科学の基本的な課題である。 視覚的意味論から神経反応への変換をシミュレートする生成フレームワークであるSynBrainを提案する。 そこで本研究では,SynBrainが主観的視覚-fMRI符号化性能において最先端の手法を超越していることを示す。
  論文  参考訳（メタデータ） (2025-08-14T03:01:05Z)
• HetSyn: Versatile Timescale Integration in Spiking Neural Networks via Heterogeneous Synapses [3.744763853474646]
  Spiking Neural Networks (SNN)は、時間情報処理のための生物学的に妥当でエネルギー効率の高いフレームワークを提供する。 HetSynはシナプス特異的な時間定数でシナプス不均一性をモデル化するフレームワークである。 We demonstrate that HetSynLIF improve the performance of SNNs across various tasks。
  論文  参考訳（メタデータ） (2025-08-01T10:19:56Z)
• Multi-Modal Graph Convolutional Network with Sinusoidal Encoding for Robust Human Action Segmentation [10.122882293302787]
  人間の行動の時間的セグメンテーションは 知的ロボットにとって 協調的な環境において 不可欠です 本稿では,低フレームレート(例えば1fps)の視覚データと高フレームレート(例えば30fps)のモーションデータを統合するマルチモーダルグラフ畳み込みネットワーク(MMGCN)を提案する。 我々の手法は、特にアクションセグメンテーションの精度において最先端の手法よりも優れている。
  論文  参考訳（メタデータ） (2025-07-01T13:55:57Z)
• Extending Spike-Timing Dependent Plasticity to Learning Synaptic Delays [50.45313162890861]
  シナプス接続強度と遅延を同時に学習するための新しい学習規則を導入する。 我々は、教師なし学習で訓練された分類のための広く使われているSNNモデルを拡張して、我々のアプローチを検証する。 その結果,提案手法は様々なテストシナリオにおいて常に優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2025-06-17T21:24:58Z)
• MathPhys-Guided Coarse-to-Fine Anomaly Synthesis with SQE-Driven Bi-Level Optimization for Anomaly Detection [30.77558600436759]
  本研究では,Math-Physモデル誘導による合成異常を生成する,新しい軽量パイプラインを提案する。 本手法は現実的な欠陥マスクを生成し,その後2段階に拡張した。 本手法を検証するために,MVTec AD, VisA, BTADの3つの異常検出ベンチマーク実験を行った。
  論文  参考訳（メタデータ） (2025-04-17T14:22:27Z)
• Domain Adaptive Synapse Detection with Weak Point Annotations [63.97144211520869]
  弱点アノテーションを用いたドメイン適応型シナプス検出のためのフレームワークであるAdaSynを提案する。 I SBI 2023のWASPSYNチャレンジでは、我々の手法が第1位にランクインした。
  論文  参考訳（メタデータ） (2023-08-31T05:05:53Z)
• Revisiting the Evaluation of Image Synthesis with GANs [55.72247435112475]
  本研究では, 合成性能の評価に関する実証的研究を行い, 生成モデルの代表としてGAN(Generative Adversarial Network)を用いた。 特に、表現空間におけるデータポイントの表現方法、選択したサンプルを用いた公平距離の計算方法、各集合から使用可能なインスタンス数など、さまざまな要素の詳細な分析を行う。
  論文  参考訳（メタデータ） (2023-04-04T17:54:32Z)
• Understanding Self-supervised Learning with Dual Deep Networks [74.92916579635336]
  本稿では,2組の深層ReLUネットワークを用いたコントラスト型自己教師学習(SSL)手法を理解するための新しい枠組みを提案する。 種々の損失関数を持つSimCLRの各SGD更新において、各層の重みは共分散演算子によって更新されることを示す。 共分散演算子の役割と、そのようなプロセスでどのような特徴が学習されるかをさらに研究するために、我々は、階層的潜在木モデル(HLTM)を用いて、データ生成および増大過程をモデル化する。
  論文  参考訳（メタデータ） (2020-10-01T17:51:49Z)

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。