基于置换不变编码器的神经元骨架与脑回路拓扑联合学习用于神经元分类
神经元与认知
2024-03-27 v2 计算机视觉与模式识别
图像与视频处理
摘要
确定神经系统内的神经元类型在脑连接组学分析和神经系统疾病研究中起着重要作用。然而，利用神经元的解剖、生理或分子特征的效率相对较低且成本高昂。随着脑组织电子显微镜成像与分析技术的进步，我们能够获得包含神经元高分辨率形态和连接信息的全脑连接组。然而，基于此类数据构建的自动神经元分类模型寥寥无几。在本文中，我们提出了 NeuNet，这是一个结合了从骨架获取的神经元形态信息和从神经回路获取的神经元间拓扑信息的框架。具体而言，NeuNet 由三个部分组成：骨架编码器（Skeleton Encoder）、连接组编码器（Connectome Encoder）和读出层（Readout Layer）。骨架编码器以自底向上的方式整合神经元的局部信息，对神经骨架的点数据进行一维卷积；连接组编码器利用图神经网络捕捉神经回路的拓扑信息；最后，读出层融合上述两种信息并输出分类结果。我们重新处理并发布了两套用于神经元分类任务的新数据集，分别源自人脑皮层和果蝇脑的体积电子显微镜（VEM）图像。在这两个数据集上的实验证明了模型的有效性，准确率分别为 0.9169 和 0.9363。代码和数据可在以下地址获取：https://github.com/WHUminghui/NeuNet。
引用
@article{arxiv.2312.14518,
title = {Joint Learning Neuronal Skeleton and Brain Circuit Topology with Permutation Invariant Encoders for Neuron Classification},
author = {Minghui Liao and Guojia Wan and Bo Du},
journal= {arXiv preprint arXiv:2312.14518},
year = {2024}
}
备注
Accepted by AAAI 2024