基于神经突形态测量特征与 CNN 预测的仿生 IGA 神经元生长建模
数值分析
2023-04-25 v1 数值分析
摘要
神经元生长是一个复杂的多阶段过程，形成精细的形态与交织的神经突网络。近年进展使我们能够考察神经元生长因子的影响并探寻神经退行性疾病（如阿尔茨海默病、帕金森病和肌萎缩侧索硬化症）的成因。研究神经元生长的计算工具可揭示各类因素的关键影响，并助力找到神经退行性疾病疗法。然而，目前缺乏能在合理时间内准确真实地模拟神经元生长的计算工具。生物现象模型忽略潜在因素且无法生成真实结果，生物物理模型则需要计算代价高昂的高阶控制方程。本文采用等几何分析配置（IGA-C）方法，将实验神经突特征引入基于相场法的神经元生长模型。基于神经突形态的半自动定量分析，我们得到相对转角、平均弯曲度、神经突端点、平均段长度和神经突总长度。我们利用神经突总长度确定体外演化天数（DIV）并选取相应神经突特征来驱动和约束神经元生长。该方法通过结合基于演化神经突形态总长度的相应 DIV 神经突形态测量数据，实现了具有自动生长阶段转换的仿生神经元生长模式。此外，我们构建了卷积神经网络（CNN）以显著降低预测神经突生长的计算成本。以定制卷积自编码器为骨干，我们的 CNN 模型能以 97.77% 的高预测准确率预测神经突模式，同时计算时间比 IGA-C 求解器少 7 个数量级。
引用
@article{arxiv.2304.11306,
title = {Biomimetic IGA neuron growth modeling with neurite morphometric features and CNN-based prediction},
author = {Kuanren Qian and Ashlee S. Liao and Shixuan Gu and Victoria A. Webster-Wood and Yongjie Jessica Zhang},
journal= {arXiv preprint arXiv:2304.11306},
year = {2023}
}
备注
20 pages, 10 figures, 2 tables, journal paper