Apr, 2024

朝着可解释的自动神经解剖学

PDF
TL;DR我们提出了一种新的方法来量化脑组织的微观结构，该方法基于对细胞形状进行分析得到的可解释特征的自动识别。与传统方法相比，我们的系统基于可解释特征而不是灰度值来做决策，并且可以准确地定位和识别现有的脑结构，从而有助于连接组学研究和脑电路的逆向工程。
brain tissueautomated recognitioninterpretable featuresanatomical analysisconnectomic studies
发现论文，激发创造
  • 深度多结构形状分析：在神经解剖学中的应用

    提出一种基于深度神经网络的神经解剖学形态学的有监督学习方法，直接对原始点云进行操作，通过空间变换网络将数据映射到规范空间，并通过网络的端对端训练阶段学习最优表示，通过多个分支来学习多个结构的特征，应用于阿尔茨海默病和轻度认知障碍的预测和脑龄的回归，最后通过适应点云遮挡法来可视化预测解剖重要部位。

    Jun, 2018

  • 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

  • 基于自监督图卷积网络应用于细胞图的组织脑图像中揭示皮层层次

    我们介绍了一种自我监督的方法，用于检测大脑皮层的 2D 尼氏染色的组织切片中的层次结构，该方法可以加速细胞构造分析，避免注释需求并推进跨物种研究。

    Nov, 2023

  • MTNeuro: 评估不同抽象层次的大脑结构表征的基准

    通过对小鼠大脑（涉及多个皮层区和亚皮层区）成像图像的研究，发现自监督方法可以用来学习能够捕获图像多个属性的表征，并在多个下游任务上表现良好的特征。提供了多任务神经影像基准（MTNeuro）的数据集，注释和多个下游任务，其中包括对大脑结构和架构的不同预测挑战。

    Jan, 2023

  • 应用深度神经网络进行解剖学脑分割

    采用深度人工神经网络，通过不同尺度的输入信息实现对人类脑磁共振成像的自动分割，无需非线性图像配准，对于全脑的解剖分割具有较好效果，为该领域提供了新的技术路线。

    Feb, 2015

  • 深度学习自动量化分析脑器官样体

    本文提出了一种基于 AI 技术的自动计算机辅助分析方法来观察和分析人类干细胞培养制备的脑器官，该方法能够区分野生型和突变型脑器官，旨在加速研究和治疗脑疾病的进展。

    Nov, 2022

  • 使用解剖多视角数据进行非图像表型可解释预测的深度网络

    我们研究了应用多视图方法改进非成像表型预测的机器学习方法，通过解释性的多视图网络（EMV-Net）利用不同解剖视图提取特征来提高预测性能。

    Jan, 2024

  • 结合解剖学知识的大脑功能网络集成贝叶斯分析

    通过采用分层贝叶斯高斯图模型，该研究方法能够利用结构连接知识来估计功能网络，从而提高了功能大脑网络估计的准确性和拓扑特征在扫描会话间的可重复性。

    Feb, 2018

  • 卷积神经网络在 MR 脑图像自动分割中的应用

    使用卷积神经网络的多尺度信息，对单个解剖学 MR 图像进行自动分割，取得了在不同年龄和采集协议下的高度准确的分割结果。

    Apr, 2017

  • 大规模电子显微镜成像神经元过程的自动重建

    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