多尺度光学神经科学的深浅数据科学
本文验证了深度学习在脑成像和神经科学探索中的应用,并探讨了数据转换的参数选择对学习结果的影响。结果表明,深度学习方法能够学习到生理学上重要的表征,并检测神经成像数据中的潜在关系。
Dec, 2013
使用深度学习构建的扫描超透镜显微镜 (SSUM) 系统通过光学超分辨率图像和扫描电子显微镜 (SEM) 领域图像之间的映射关系,将光学超分辨率图像转化为类似 SEM 的具有大景深的图像,其在图像转换中表现出色,重构结果具有高层次的细节,适用于芯片级缺陷检测、生物样品分析、法医学以及其他各个领域。
Oct, 2023
本研究提出了一种应用于静息状态 fMRI 体积的跨多尺度视角(全局尺度 - 脑网络水平和局部尺度 - 检查构成网络的每个个体 ROI)的技术,并利用深度学习的分类方法来理解神经退行性问题。提出的方法的创新之处在于利用了两种极端尺度的分析。一种分支考虑了整个网络在图分析框架内,同时第二种分支分别审查网络中的每个 ROI,重点关注动态演变。该方法用于对 50 个健康对照组(HC)和 50 个轻度认知损害(MCI)人群进行分类,结果表明:(1)MCI 组中的 ROI(如 PCC)活动减少,(2)MCI 组中的枕叶活动增加,这在 HC 组中未见,(3)在动态分析中,MCI 组中的所有 ROI 显示出更大的时间序列可预测性。
Feb, 2024
利用深度学习辅助数字病理学有潜力在临床实践中产生重大影响,但深度神经网络 (DNN) 的解释性不足成为制约其临床解释性的主要问题。研究旨在通过一种新方法来研究 DNN 的预测特征长度尺度,从而更好地评估 DNN 在解释数字显微镜图像中的特征使用。研究使用脑转移为例,突出了 DNN 在 H&E 染色组织切片图像上预测脑转移的注意力定位层次,有助于了解 DNN 的预测能力和其最佳学习要求。
Jun, 2024
自动样品制备和电子显微镜使得大规模图像数据采集成为可能,基于此,本文提出了一种 pipeline 系统,通过结合随机森林分类和条件随机场框架,能够完成大规模电子显微镜数据的分割和自动化标注,从而实现了大规模 3D 神经元的重建和可视化。
Mar, 2013
本研究旨在确定目前可用的自监督学习技术是否能够在人们从中获取的相同程度和数量的感官输入下,实现对视觉图像的人类水平理解。研究发现,在同时增加数据量和图像质量的情况下进行规模化实验,可以在亚人类尺寸下实现人类水平的物品检测性能。使用最多 200000 张高达 256 像素每英寸的图像对视觉转换器进行了规模化实验。
Aug, 2023
我们发现,深度神经网络在小分子药物研究任务中的精确解决所需的关键因素已经掌握,同时通过引入一种新的前体任务,即逆生物过程 (IBP),可以进一步提高性能并实现更多实验数据所需的改进级别。
Sep, 2023
基于脑电图信号和解码脑活动的病理诊断在理解神经系统疾病方面具有巨大重要性;随着人工智能方法和机器学习技术的发展,准确的数据驱动诊断和有效的治疗潜力显著增长。然而,将机器学习算法应用于现实世界的数据集在多个层面上都面临各种挑战;特别是在低范围的场景中数据标记稀缺,由于征募费用高昂,真实患者群体的可用性有限,一直强调了规模化和迁移学习技术的重要部署。本研究探讨了一个真实的病理分类任务,以突出数据和模型规模化以及跨数据集知识迁移的有效性;观察到通过数据规模化而产生的性能改进程度不同,表明需要进行谨慎评估和标注;此外,我们还确定了可能的负迁移的挑战,并强调了克服分布迁移和潜在虚假相关性的一些关键组成部分的重要性,实现积极的迁移;当已有少量标记数据时,通过使用源数据集的知识(如 TUAB 数据集),我们发现目标模型在目标(NMT)数据集上表现得更好;我们的发现表明,一个小型和通用的模型(如 ShallowNet)在单个数据集上表现良好,然而,一个较大的模型(如 TCN)在从较大和多样化的数据集中进行迁移和学习时表现更好。
Sep, 2023