返回
Contrastive learning-driven framework for neuron morphology classification
DOI:10.1038/s41598-025-11842-w.png)
摘要
En 中文
神经元形态分类是神经科学研究中的关键任务,因为神经元的形态特征与神经回路的功能特性密切相关。然而,传统分类方法在处理神经元形态的复杂性和多样性时往往面临挑战。为解决这一问题,我们提出了PRT-net,一种专门用于神经元形态分类的网络架构。通过整合创新的数据增强策略和对比学习框架,PRT-net有效提升了分类性能和模型泛化能力。PRT-net利用Complex Residual Structures和TreeLSTM高效地建模神经元形态的局部特征和全局依赖关系。为应对数据稀缺和不平衡问题,我们设计了一种定制化的数据增强策略,模拟多样化的形态变异,增强模型鲁棒性。在BIL、JML和ACT三个公开数据集上的实验表明,PRT-net分别实现了78.45%、67.11%和58.95%的分类准确率,显著超越了现有最先进的方法。值得注意的是,它在JML和ACT数据集上分别提升了2.9和3.3个百分点。通过引入多种评估指标,我们全面分析了模型的分类和聚类性能,验证了其对复杂数据分布的强适应性。本研究为神经元形态分类提供了一种高效解决方案,推动了该领域的研究进展。
Keyword:
Neuron morphology classification
Data augmentation
Contrastive learning
TreeLSTM
期刊
IF:
3.9
论文数:
28.0W
被引数:
83.5W
机构
引用论文
Neuronal cell-type classification: challenges, opportunities and the path forward神经元细胞类型分类: 挑战,机遇和前进道路
New insights into the classification and nomenclature of cortical GABAergic interneurons对皮质gaba能中间神经元的分类和命名的新见解
Learning meaningful representation of single-neuron morphology via large-scale pre-training通过大规模预训练学习单神经元形态的有意义表示

