NIPSJun, 2016

利用卷积神经网络自动检测钙成像数据中的神经元

PDF
TL;DR本研究使用监督式学习法和卷积神经网络进行钙成像数据中的神经元自动检测，取得了接近人类的准确率和超常的速度，且相对于流行的 PCA/ICA 方法，其精度和召回率更优，显示出作为分析大规模钙成像数据的高效且灵活的工具的潜力。
calcium imagingsupervised learningconvolutional networksneuron detectionlarge-scale data analysis
发现论文，激发创造
  • 使用变分自编码器从钙成像数据快速摊销神经活动的推断

    通过 bayesian 模型反演和变分自编码器，提出了一种可快速准确提取神经尖峰的算法框架，以及用于分离钙成像中树突棘背向传播动作电位和可能的突触输入的首个概率方法。

    Nov, 2017

  • 快速在线钙成像数据反卷积

    本文提出一种快速的在线活跃集方法，通过从头到尾顺序处理每个时间序列实现对神经活动的实时估计，解决从原始荧光钙成像数据中提取每个神经元活动的问题，并且该算法相比目前的凸优化求解器具有更快的处理速度，可用于处理成千上万条全脑成像数据。

    Sep, 2016

  • 使用深度卷积神经网络对乳腺 X 线摄影异常进行检测

    针对乳腺癌的计算机辅助检测方法，通过对乳腺 X 线照片图像的卷积神经网络 (CNN) 自动建模和分类，实现对钙化和肿块的分类和定位，以降低放射科医师的成本和工作量。

    Mar, 2018

  • 预训练神经网络能否检测解剖学？

    通过预训练和数据增广，使用卷积神经网络进行医学影像诊断，开发出一种检测人体解剖结构的系统。

    Dec, 2015

  • 大规模钙成像数据分析的结构化矩阵分解框架

    本研究提出了一种结构化矩阵因数分解方法，用于同时解决大量神经元集合的位置识别，空间重叠组件混合分离以及每个神经元的钙离子浓度与时间关系的脉冲活动去噪和解卷积问题。

    Sep, 2014

  • 卷积神经网络在医学图像分析中的应用综述

    研究医学图像分析的最新技术，特别是使用机器学习中的深度卷积网络实现医学图像分析，深度卷积网络被广泛应用于医学图像分割、异常检测和疾病分类等应用领域。

    Sep, 2017

  • 基于深度卷积神经网络的医疗图像的解剖分类

    本研究提供了一种使用卷积神经网络（ConvNets）进行 CT 医学图像的器官或身体部位特异性解剖分类的方法，并演示了深度学习可用于训练非常可靠和准确的分类器，可进一步初始化计算机辅助诊断。

    Apr, 2015

  • 基于群体钙成像的脉冲序列推断的快速非负解卷积

    本文介绍了一种快速的非负卷积滤波算法，用于根据荧光观察推断每个神经元的最可能的尖峰火车，仅使用荧光数据即可估算推断所需的所有参数，而无需进行关节电生理和成像校准实验。

    Dec, 2009

  • 使用图卷积神经网络进行组织病理学图像的可视化

    该论文提出了一种基于图卷积网络和注意机制的方法，将组织学检查作为细胞核图的形式来进行深度学习，达到疾病诊断的可解释性。

    Jun, 2020

  • 卷积神经网络中微中子事件分类器

    本文描述了卷积神经网络（CNN）在粒子物理学领域的应用，尤其是在高能中微子物理学和高能物理学中通常使用的采样量热计中识别粒子相互作用问题上的应用，通过 CVN（卷积视觉网络）算法对中微子相互作用进行拓扑识别，不需要详细重建，优于目前 NOvA 协作组使用的算法。

    Apr, 2016