論文の概要: SynapFlow: A Modular Framework Towards Large-Scale Analysis of Dendritic Spines
- arxiv url: http://arxiv.org/abs/2509.18926v1
- Date: Tue, 23 Sep 2025 12:47:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-24 20:41:27.836507
- Title: SynapFlow: A Modular Framework Towards Large-Scale Analysis of Dendritic Spines
- Title（参考訳）: SynapFlow: 樹状突起の大規模解析を目指すモジュラーフレームワーク
- Authors: Pamela Osuna-Vargas, Altug Kamacioglu, Dominik F. Aschauer, Petros E. Vlachos, Sercan Alipek, Jochen Triesch, Simon Rumpel, Matthias Kaschube,
- Abstract要約: 樹状突起は、脳内の興奮性シナプスの鍵となる構造成分である。
その関連性にもかかわらず、3D+時間顕微鏡データにおける樹状体のスピンの構造力学の大規模解析は依然として困難である。
ここでは,樹状突起の検出,時間追跡,特徴抽出を自動化するために設計された,モジュール型機械学習ベースのパイプラインを提案する。
- 参考スコア（独自算出の注目度）: 4.377081487137802
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Dendritic spines are key structural components of excitatory synapses in the brain. Given the size of dendritic spines provides a proxy for synaptic efficacy, their detection and tracking across time is important for studies of the neural basis of learning and memory. Despite their relevance, large-scale analyses of the structural dynamics of dendritic spines in 3D+time microscopy data remain challenging and labor-intense. Here, we present a modular machine learning-based pipeline designed to automate the detection, time-tracking, and feature extraction of dendritic spines in volumes chronically recorded with two-photon microscopy. Our approach tackles the challenges posed by biological data by combining a transformer-based detection module, a depth-tracking component that integrates spatial features, a time-tracking module to associate 3D spines across time by leveraging spatial consistency, and a feature extraction unit that quantifies biologically relevant spine properties. We validate our method on open-source labeled spine data, and on two complementary annotated datasets that we publish alongside this work: one for detection and depth-tracking, and one for time-tracking, which, to the best of our knowledge, is the first data of this kind. To encourage future research, we release our data, code, and pre-trained weights at https://github.com/pamelaosuna/SynapFlow, establishing a baseline for scalable, end-to-end analysis of dendritic spine dynamics.
- Abstract（参考訳）: 樹状突起は、脳内の興奮性シナプスの鍵となる構造成分である。
樹状突起の大きさがシナプス効果のプロキシとなると、その検出と時間的追跡は学習と記憶の神経基盤の研究にとって重要である。
それらの関連性にもかかわらず、3次元以上の顕微鏡データにおける樹状突起の構造力学の大規模解析は困難であり、労働インテンスである。
そこで本研究では,2光子顕微鏡による慢性記録ボリュームにおける樹状突起の検出,時間追跡,特徴抽出の自動化を目的とした,モジュール型機械学習ベースのパイプラインを提案する。
提案手法は, トランスフォーマーを用いた検出モジュール, 空間的特徴を統合した深度追跡モジュール, 空間的整合性を利用して時間的に3次元スピンを関連付ける時間追跡モジュール, 生物学的に関係のあるスピン特性を定量化する特徴抽出ユニットを組み合わせることで, 生体データから生じる課題に対処する。
我々は、オープンソースのラベル付き脊椎データと、この研究と共に公開している2つの補完的な注釈付きデータセットに、検出と深度追跡のためのものと、時間追跡のためのものであることを、私たちの知る限りでは、この種の最初のデータである。
将来の研究を促進するため、私たちはhttps://github.com/pamelaosuna/SynapFlowでデータ、コード、事前訓練したウェイトをリリースし、樹状突起力学のスケーラブルでエンドツーエンドな解析のためのベースラインを確立しました。
関連論文リスト
- Scaling Wearable Foundation Models [54.93979158708164]
センサ基礎モデルのスケーリング特性を計算,データ,モデルサイズにわたって検討する。
最大4000万時間分の心拍数、心拍変動、心電図活動、加速度計、皮膚温度、および1分間のデータを用いて、私たちはLSMを作成します。
この結果から,LSMのスケーリング法則は,時間とセンサの両面において,計算や外挿などのタスクに対して確立されている。
論文 参考訳（メタデータ） (2024-10-17T15:08:21Z) - Frenet-Serret Frame-based Decomposition for Part Segmentation of 3D Curvilinear Structures [26.53820792357073]
医用画像における正確な3次元キュビリニア構造のセグメンテーションは、複雑な形状のため、依然として困難である。
本稿では,Frenet-Serret Frame-based Decompositionを導入し,3次元曲線構造を大域(C2)連続曲線に分解する。
DenSpineEMの実験は、例外的なクロスリージョンおよびクロス種一般化を実証した。
論文 参考訳（メタデータ） (2024-04-19T16:40:24Z) - FISBe: A real-world benchmark dataset for instance segmentation of long-range thin filamentous structures [4.9246627979592725]
神経系の体積光顕微鏡画像におけるニューロンのセグメンテーションは、神経科学における画期的な研究を可能にする。
しかし、マルチニューロン光顕微鏡のデータは、インスタンスセグメンテーションのタスクにとって非常に難しい特性を示している。
私たちはFlyLight Instance Benchmark(FISBe)データセットをリリースしました。
論文 参考訳（メタデータ） (2024-03-29T19:51:34Z) - 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) - Source-Free Collaborative Domain Adaptation via Multi-Perspective
Feature Enrichment for Functional MRI Analysis [55.03872260158717]
安静時MRI機能(rs-fMRI)は、神経疾患の分析を助けるために多地点で研究されている。
ソース領域とターゲット領域の間のfMRIの不均一性を低減するための多くの手法が提案されている。
しかし、マルチサイト研究における懸念やデータストレージの負担のため、ソースデータの取得は困難である。
我々は、fMRI解析のためのソースフリー協調ドメイン適応フレームワークを設計し、事前訓練されたソースモデルとラベルなしターゲットデータのみにアクセスできるようにする。
論文 参考訳（メタデータ） (2023-08-24T01:30:18Z) - Interpretable 2D Vision Models for 3D Medical Images [47.75089895500738]
本研究では,3次元画像処理における中間特徴表現を用いた2次元ネットワークの適応手法を提案する。
我々は、ベンチマークとして3D MedMNISTデータセットと、既存の手法に匹敵する数百の高分解能CTまたはMRIスキャンからなる2つの実世界のデータセットを示す。
論文 参考訳（メタデータ） (2023-07-13T08:27:09Z) - An Adaptive Federated Relevance Framework for Spatial Temporal Graph
Learning [14.353798949041698]
本稿では,空間時間グラフ学習のための適応型フェデレーション関連フレームワークであるFedRelを提案する。
フレームワークのコアとなるDynamic Inter-Intra Graph (DIIG)モジュールは、これらの機能を使用して空間時間グラフを生成することができる。
局所的なデータプライバシーを維持しながらモデルの一般化能力と性能を向上させるため、関連性駆動型フェデレーション学習モジュールを設計する。
論文 参考訳（メタデータ） (2022-06-07T16:12:17Z) - Skeleton-based Action Recognition via Spatial and Temporal Transformer
Networks [12.06555892772049]
本研究では,トランスフォーマーの自己アテンション演算子を用いて,関節間の依存関係をモデル化する空間-テンポラルトランスフォーマーネットワークを提案する。
提案したST-TRは,関節座標を入力として使用する場合のすべてのデータセットの最先端性能を達成し,骨情報を追加する場合の最先端特性と一致させる。
論文 参考訳（メタデータ） (2020-08-17T15:25:40Z) - MotioNet: 3D Human Motion Reconstruction from Monocular Video with
Skeleton Consistency [72.82534577726334]
モノクロビデオから3次元人間の骨格の動きを直接再構成するディープニューラルネットワークであるMotioNetを紹介した。
本手法は,動作表現を完全かつ一般的に使用するキネマティックスケルトンを直接出力する最初のデータ駆動型手法である。
論文 参考訳（メタデータ） (2020-06-22T08:50:09Z) - Modeling Shared Responses in Neuroimaging Studies through MultiView ICA [94.31804763196116]
被験者の大規模なコホートを含むグループ研究は、脳機能組織に関する一般的な結論を引き出す上で重要である。
グループ研究のための新しい多視点独立成分分析モデルを提案し、各被験者のデータを共有独立音源と雑音の線形結合としてモデル化する。
まず、fMRIデータを用いて、被験者間の共通音源の同定における感度の向上を示す。
論文 参考訳（メタデータ） (2020-06-11T17:29:53Z)
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。