Generative models and abstractions for large-scale neuroanatomy datasets.
Generative models and abstractions for large-scale neuroanatomy datasets.
复制标题
DOI：
10.1016/j.conb.2019.02.005
复制
发表时间：
2019-04
影响因子：
5.7
通讯作者：
Dyer EL
中科院分区：
文献类型：
--
作者：
Rolnick D;Dyer EL
神经数据集在分辨率和体积上都在快速增长。在神经解剖学中，成像技术的创新加速了这一趋势。由于完整的数据集对许多应用程序来说是不切实际和不必要的，因此确定提取神经结构、组织和解剖的有用特征的抽象是很重要的。在这篇综述文章中，我们讨论了几个这样的抽象，并强调了使用这些模型的最新算法进展。特别地，我们讨论了神经解剖学中生成模型的使用；这样的模型可以被认为是“元抽象”，它在其他抽象之上捕获分布。
Neural datasets are increasing rapidly in both resolution and volume. In neuroanatomy, this trend has been accelerated by innovations in imaging technology. As full datasets are impractical and unnecessary for many applications, it is important to identify abstractions that distill useful features of neural structure, organization, and anatomy. In this review article, we discuss several such abstractions and highlight recent algorithmic advances in working with these models. In particular, we discuss the use of generative models in neuroanatomy; such models may be considered “meta-abstractions” that capture distributions over other abstractions.
登录
查看更多内容
影响因子：
14.5
作者：
Andrade-Moraes, Carlos Humberto;Oliveira-Pinto, Ana V.;Lent, Roberto
通讯作者：
Lent, Roberto
影响因子：
2.9
作者：
Budd JM;Cuntz H;Eglen SJ;Krieger P
通讯作者：
Krieger P
影响因子：
56.9
作者：
Amunts, Katrin;Lepage, Claude;Evans, Alan C.
通讯作者：
Evans, Alan C.
影响因子：
2.9
作者：
Anton-Sanchez L;Bielza C;Merchán-Pérez A;Rodríguez JR;DeFelipe J;Larrañaga P
通讯作者：
Larrañaga P
影响因子：
3.7
作者：
Anton-Sanchez L;Larrañaga P;Benavides-Piccione R;Fernaud-Espinosa I;DeFelipe J;Bielza C
通讯作者：
Bielza C