基于卷积自编码器与点云配准的神经元形态相似性度量方法

摘要：

神经元形态与其功能密切相关,随着神经元示踪技术的进步,越来越多高质量的三维神经元形态学数据得以重建.针对当前体量越发庞大的神经元形态学数据,提出一种基于深度卷积自编码器和空间配准的神经元形态相似性度量方法,通过快速对比与精细对比两步完成从整体到分支的神经元形态分析度量框架,实现高效、精确的对比算法.实验所用的 99 453 个三维神经元形态数据来自NeuroMorpho数据集.实验中,相比于现有的精细对比算法,该算法的实现速度加快了 20倍,同时可应用于任意神经元形态学数据,无需提供其他的先验条件,通用性强.对于已在脑图谱模板中配准的神经元,选取233个uPNs神经元作为验证数据,可实现97.39％的检索精度;对于未配准的神经元,选取3种类型的神经元数据进行验证,包括:495个谷氨酸能神经元、389个DA神经元、249个锥体神经元,可分别达到91.7％、93.79％、83.1％的检索精度.所提出方法可为神经元类型鉴定、将神经元形态与特性进行关联分析提供支持.

关键词：神经形态学、无监督网络、点云配准、计算神经科学

所属期刊栏目：42

分类号：R318(医用一般科学)

资助基金：国家自然科学基金;陕西省自然科学基础研究计划项目

在线出版日期：2023-04-11（万方平台首次上网日期，不代表论文的发表时间）

页数：共12页

页码：62-73