利用拓扑方法对单个神经元和示踪剂注射进行检测与骨架化
计算机视觉与模式识别
2020-04-07 v1 机器学习
神经与进化计算
机器学习
摘要
神经科学数据分析传统上依赖于线性代数和随机过程理论。然而，神经元的树状形态难以轻易描述为向量空间中的点（两个神经元形状的相减并非有意义的操作），而计算拓扑的方法更适合对其进行分析。在此，我们引入离散 Morse (DM) 理论的方法，从体积脑图像数据中提取单个神经元的树状骨架，并总结由示踪剂注射标记的神经元集合。由于单个神经元在拓扑上是树，因此使用共识树形来总结神经元集合是合理的，这比传统的区域“连接矩阵”方法提供了更丰富的信息总结。概念上优雅的 DM 方法无需手动调参，且能捕获数据的全局特性，而以往的方法本质上是局部的。对于稀疏标记神经元的个体骨架化，我们相比最先进的非拓扑方法获得了显著的性能提升（精度提高超过 10%，且校对速度更快）。示踪剂注射的共识树总结包含了区域连接矩阵信息，但此外还捕获了与注射部位相连的神经元集合的集体侧枝分支模式，并在单神经元形态与示踪剂注射数据之间架起了桥梁。
关键词
引用
@article{arxiv.2004.02755,
title = {Detection and skeletonization of single neurons and tracer injections using topological methods},
author = {Dingkang Wang and Lucas Magee and Bing-Xing Huo and Samik Banerjee and Xu Li and Jaikishan Jayakumar and Meng Kuan Lin and Keerthi Ram and Suyi Wang and Yusu Wang and Partha P. Mitra},
journal= {arXiv preprint arXiv:2004.02755},
year = {2020}
}
备注
20 pages (14 pages main-text and 6 pages supplementary information). 5 main-text figures. 5 supplementary figures. 2 supplementary tables