深度學習Deep learning_幫助3D神經元模型重建
現今我們可以用顯微鏡觀看動物的大腦,研究動物神經系統是如何運作。透過顯微鏡的照片與電腦重建單一神經元的結構,用來蒐集神經所隱藏的資訊包含:神經的形態、神經相連性、突觸的位置、神經衝動的特性等。但是3D顯微圖像有一定程度的雜訊與不連續片段,使得重建神經元仍具有挑戰性。
美國華盛頓大學Rongjian Li等人利用深度學習中的卷積神經網路(Convolutional Neural Networks,CNN),改善3D顯微圖像的雜訊與不連續片段,其中 all-path pruning2(app2)與SmartTracing Method兩種建立3D神經結構的兩種方法都有明顯的效率提升,其結果更接近神經科學家手動trace的結果。在本次的研究中只利用了少量的圖像來訓練CNN模型,希望未來有更大量的數據庫加入訓練,以提升精準度,也探索更多神經元追踪中使用CNN的可能性。[1]
原始論文 : Li, R., et al., Deep Learning Segmentation of Optical Microscopy Images Improves 3-D Neuron Reconstruction. IEEE Trans Med Imaging, 2017. 36(7): p. 1533-1541.
論文 連結: https://ieeexplore.ieee.org/document/7874113/
撰稿人:李堅百
美國華盛頓大學Rongjian Li等人利用深度學習中的卷積神經網路(Convolutional Neural Networks,CNN),改善3D顯微圖像的雜訊與不連續片段,其中 all-path pruning2(app2)與SmartTracing Method兩種建立3D神經結構的兩種方法都有明顯的效率提升,其結果更接近神經科學家手動trace的結果。在本次的研究中只利用了少量的圖像來訓練CNN模型,希望未來有更大量的數據庫加入訓練,以提升精準度,也探索更多神經元追踪中使用CNN的可能性。[1]
原始論文 : Li, R., et al., Deep Learning Segmentation of Optical Microscopy Images Improves 3-D Neuron Reconstruction. IEEE Trans Med Imaging, 2017. 36(7): p. 1533-1541.
論文 連結: https://ieeexplore.ieee.org/document/7874113/
撰稿人:李堅百
留言
張貼留言