Dec, 2023

使用置换不变编码器进行神经元分类的神经骨架和脑回路拓扑的联合学习

PDF
TL;DR本研究提出了一个名为 NeuNet 的框架，该框架整合了神经元的形态和连接信息，并成功应用于神经元分类任务，通过电子显微镜成像技术和分析方法在两个数据集上获得了高分类精度。
neuronsconnectomicselectron microscopyneunetneuron classification
发现论文，激发创造
  • 学习大规模神经元追踪的多模态体数据特征

    通过构建 FlyTracing 数据集和引入连接感知对比学习方法，本研究旨在降低人工工作量，减少电子显微镜数据中自动图像分割后的人工校对过程，并提出了一种有效的自动神经追踪方法。

    Jan, 2024

  • 在宽范围尺度上建模大脑电路

    本篇论文主要研究利用电子显微镜和光学显微镜结合计算机视觉技术，对神经元的突触连接等生物信息进行分析和建模。

    Feb, 2015

  • ElegansNet: 一个简短的科学报告与初步实验

    ElegansNet 是一种神经网络，其设计灵感来自真实世界的神经元网络电路，在理解连接组拓扑和深度学习系统之间的相互作用方面更为出色。该方法利用生物神经电路的强大表征能力来设计和生成构建与自然网络类似的深度学习系统，其中 C. elegans 连接组作为参考系统，提供一种高效解决复杂任务的生物可存储结构。

    Apr, 2023

  • 利用大规模神经影像数据集创建连接组约束方法，以实现更加稳健、高效和适应性人工智能

    利用大型神经成像数据集中的连接性图谱等手段，改善边缘端机器学习的效率和鲁棒性，并通过对果蝇和哺乳动物视脑回路连接等领域的分析，展示了多种潜在的应用脑科学领域洞见的方法。

    May, 2023

  • 生物连接组作为人工神经网络架构的表征

    本文通过将矛线虫的运动回路转化为具有不同生理真实性水平的人工神经网络，评估这些网络在动态和非动态行为任务上的训练结果。研究表明，即使不保持生物特性的真实性，也可以获得使用生物电路的优势。建立生物电路结构的统计学提供了有价值的先验知识。同时，矛线虫的运动回路对于运动问题具有强大的归纳偏差，但其结构可能会妨碍其他与运动无关的任务。

    Sep, 2022

  • 学习神经生物网络中功能连接组的动态表示

    使用无监督方法从脑内活体神经元跟踪中学习动态亲和力，揭示神经元在不同时间形成的群体互动，进而构建动态功能连接图。

    Feb, 2024

  • SNEMI3D 连接组学挑战中的超人类准确度

    使用卷积神经网络进行电子显微成像脑图像的三维重建，通过参加 SNEMI3D 基准测试的结果表明，在预测体积质心之间的亲和力和长距离相互作用的辅助任务中采用的 3D U-Net 变体算法训练的模型可以超越 SNEMI3D 排行榜提供的人类精度估计。

    May, 2017

  • 多头图卷积网络用于结构连接组分类

    本文提出了一种受图卷积网络启发的机器学习模型，针对基于扩散磁共振图像的脑连接性进行分类。该模型通过并行地使用具有多个头的图形卷积机制对脑连接输入图进行处理，并使用不同的头涉及图卷积来捕获输入数据的表示，证明了在两个公开数据集上比现有的机器学习算法展现出更高的性能，包括经典方法和 (图形和非图形) 深度学习。

    May, 2023

  • 多阶段多递归输入全卷积网络用于神经元边界检测

    本文提出了多阶段多递归输入的完全卷积网络通过学习低阶段的不同感受野大小的多个侧面输出，为后续学习提供多尺度的上下文边界信息，以解决电子显微镜图像分割的挑战问题，结果在两个公共可用的 EM 分割数据集上取得了有希望的结果。

    Mar, 2017

  • 大脑解码深度神经网络

    我们开发了一种工具，通过将大型预训练视觉模型映射到大脑上，从而揭示其隐藏在内部的信息。我们的创新提出了一种令人惊讶的使用大脑编码的方法：预测大脑在图像刺激下的功能磁共振成像测量。我们报告了两个发现：首先，对于空间、层级、尺度和通道的大脑和深度网络特征之间的显式映射至关重要。这种映射方法，FactorTopy，可应用于任何深度网络；通过它，我们可以将网络映射到大脑上（真实可视化）。其次，我们的可视化结果显示了不同的训练方法的重要性：它们导致了层次结构和缩放行为上显著的差异，随着更多的数据或网络容量增加而增长。它还提供了微调的见解：在适应小数据集时，预训练模型如何改变。我们的方法很实用：只需 3000 个图像就足以学习网络到大脑的映射。

    Dec, 2023