用于钙成像数据自动分析的高效鲁棒PCA神经网络近似
图像与视频处理
2021-08-05 v1 神经元与认知
摘要
钙成像技术是研究神经元群体活动的重要工具。然而，图像中高水平的背景荧光阻碍了神经元的准确识别和神经元活动的提取。鲁棒主成分分析（RPCA）是一种有前景的方法，可分解此类图像中的前景和背景，但其计算复杂度和内存需求过高，难以处理大规模钙成像数据。在此，我们提出BEAR，一种用于高效近似RPCA的简单双线性神经网络，借助GPU加速，相比传统RPCA算法实现了数量级的速度提升。此外，我们展示了BEAR可对高达数十GB的钙成像数据进行前景-背景分离。我们还证明，可将两个BEAR级联，以同时执行RPCA和非负矩阵分解，从而自动从钙成像数据中提取空间和时间足迹。本文使用的源代码可在https://github.com/NICALab/BEAR获取。
引用
@article{arxiv.2108.01665,
title = {Efficient Neural Network Approximation of Robust PCA for Automated Analysis of Calcium Imaging Data},
author = {Seungjae Han and Eun-Seo Cho and Inkyu Park and Kijung Shin and Young-Gyu Yoon},
journal= {arXiv preprint arXiv:2108.01665},
year = {2021}
}
备注
To be published in MICCAI 2021, 10 pages, 6 figures