.png){kind=icon}
返回
MorphSys: a branch-aware contrastive learning framework for neuron morphology graphs
.png){kind=icon}
PRE
AI
DOI：10.1088/1741-2552/ae4381.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
目标。神经元形态结构对细胞身份和功能的定义至关重要，有助于细胞分型、胞体定位及神经疾病诊断。然而，两项主要挑战阻碍了进展：一是难以从复杂、树状结构中学习有意义的表征；二是大规模专家标注数据的有限可用性。方法。为解决这些挑战，我们提出MorphSys，一种自监督对比学习框架，辅以分支感知模块和基于图神经网络（GNN）的模块。我们通过引入分支间注意力机制，提出了一种分支级神经元形态表征，该机制捕捉树突分支间的相互关系，而传统依赖节点级信息传递的图模型往往会忽略这些关系。同时，GNN模块能够稳健地编码局部形态模式，跨越不同GNN架构，提供互补的精细结构特征。主要结果。在五个数据集上的全面实验表明，MorphSys在下游任务中表现出优越性能。在自监督神经元形态分类中，MorphSys在N7数据集上达到83.52%的k近邻分类准确率（KNN-Acc），优于先前最佳水平3.77%。在胞体定位预测中，MorphSys在Brain Image Library、ACT和Janelia MouseLight数据集上分别达到83.99%、67.32%和75.33%的最高KNN-Acc，显著优于基线方法。重复试验和统计分析也证实，所观察到的性能提升具有高度显著性。意义。这些结果表明，MorphSys作为学习神经元形态鲁棒表征和执行形态驱动的神经元分析的有效工具。代码可通过https://github.com/YuuYuuYuuY/MorphSys获取。
Keyword:
neuron morphology
contrastive learning
graph neural network
self-supervised learning
branch-aware representation
期刊
IF:
3.8
论文数:
4.0K
被引数:
1.4W
机构
引用论文
HE-GAD: a behavior-enhanced contrastive learning framework for graph anomaly detectionHE-GAD：一种用于图异常检测的行为增强对比学习框架.png)
Machine Learning
Machine LearningIF2.9
PREAI
分享收藏分享收藏Classification of electrophysiological and morphological neuron types in the mouse visual cortex
OAAI
OAAI分享收藏Dual-view data augmentation at subgraph level and graph contrastive learning for sequential recommendation子图级别的双视角数据增强与图对比学习用于序列推荐MACHINE LEARNING
MACHINE LEARNINGIF2.9
PREAI
分享收藏NeuroGPS-Tree: automatic reconstruction of large-scale neuronal populations with dense neuritesNATURE METHODS
NATURE METHODSIF32.1
PREAI
分享收藏Virtual finger boosts three-dimensional imaging and microsurgery as well as terabyte volume image visualization and analysis虚拟手指可增强三维成像和显微外科手术以及tb级体积图像可视化和分析NATURE COMMUNICATIONSOAAI
NATURE COMMUNICATIONSIF15.7
OAAI分享收藏
查看更多内容