SynapFlow：面向树突棘大规模分析的模块化框架
计算机视觉与模式识别
2025-09-24 v1
摘要
树突棘是大脑中兴奋性突触的关键结构组成部分。鉴于树突棘的大小可作为突触效能的替代指标，其检测和跨时间追踪对于研究学习和记忆的神经基础至关重要。尽管它们具有相关性，但在 3D+时间显微镜数据中对树突棘结构动力学进行大规模分析仍然具有挑战性且劳动密集。在这里，我们提出了一个基于模块化机器学习的流程，旨在自动化检测、时间追踪和特征提取，对象为使用双光子显微镜长期记录的体积中的树突棘。我们的方法通过结合一个基于 Transformer 的检测模块、一个整合空间特征的深度追踪组件、一个利用空间一致性关联跨时间 3D 树突棘的时间追踪模块，以及一个量化生物学相关树突棘属性的特征提取单元，来应对生物数据带来的挑战。我们在开源的标记树突棘数据以及我们随这项工作发布的两个互补的标注数据集上验证了我们的方法：一个用于检测和深度追踪，另一个用于时间追踪，据我们所知，这是首个此类数据。为了鼓励未来的研究，我们在 https://github.com/pamelaosuna/SynapFlow 上发布了我们的数据、代码和预训练权重，为可扩展的、端到端的树突棘动力学分析建立了一个基线。
引用
@article{arxiv.2509.18926,
title = {SynapFlow: A Modular Framework Towards Large-Scale Analysis of Dendritic Spines},
author = {Pamela Osuna-Vargas and Altug Kamacioglu and Dominik F. Aschauer and Petros E. Vlachos and Sercan Alipek and Jochen Triesch and Simon Rumpel and Matthias Kaschube},
journal= {arXiv preprint arXiv:2509.18926},
year = {2025}
}