Removing independent noise in systems neuroscience data using DeepInterpolation.
Removing independent noise in systems neuroscience data using DeepInterpolation.
复制标题
利用深度插值去除系统神经科学数据中的独立噪声。
DOI：
10.1038/s41592-021-01285-2
复制
发表时间：
2021-11
期刊：
影响因子：
48
通讯作者：
Koch C
中科院分区：
文献类型：
--
作者：
Lecoq J;Oliver M;Siegle JH;Orlova N;Ledochowitsch P;Koch C
许多科学学科的进步都受到独立噪音的阻碍。用于测量神经活动的技术-钙成像、细胞外电生理学和fMRI-在独立噪声（散粒噪声和/或热噪声）可以压倒生理信号的领域中操作。在这里，我们介绍DeepInterpolation，这是一种通用的去噪算法，它只使用原始噪声样本来训练时空非线性插值模型。将DeepInterpolation应用于双光子钙成像数据，产生的神经元片段比原始数据多6倍，单像素SNR增加了15倍，揭示了以前被噪声掩盖的单次试验网络动态。使用DeepInterpolation处理的细胞外电生理记录包含比原始数据多25%的高质量尖峰单位，而在fMRI数据集上，DeepInterpolation使个体素的SNR增加了1.6倍。在不牺牲空间或时间分辨率的情况下实现去噪，并且无需访问地面真实训练数据。我们预计DeepInterpolation将在其他领域提供类似的好处，在这些领域中，独立的噪声污染时空结构化数据集。
Progress in many scientific disciplines is hindered by the presence of independent noise. Technologies for measuring neural activity—calcium imaging, extracellular electrophysiology, and fMRI—operate in domains in which independent noise (shot noise and/or thermal noise) can overwhelm physiological signals. Here, we introduce DeepInterpolation, a general-purpose denoising algorithm that trains a spatiotemporal nonlinear interpolation model using only raw noisy samples. Applying DeepInterpolation to two-photon calcium imaging data yielded up to 6 times more neuronal segments than in raw data with a 15-fold increase in single-pixel SNR, uncovering single-trial network dynamics that were previously obscured by noise. Extracellular electrophysiology recordings processed with DeepInterpolation contained 25% more high-quality spiking units than in raw data, while on fMRI datasets, DeepInterpolation produced a 1.6-fold increase in the SNR of individual voxels. Denoising was attained without sacrificing spatial or temporal resolution, and without access to ground truth training data. We anticipate that DeepInterpolation will provide similar benefits in other domains in which independent noise contaminates spatiotemporally structured datasets.
登录
查看更多内容
影响因子：
48
作者：
Esteban, Oscar;Markiewicz, Christopher J.;Gorgolewski, Krzysztof J.
通讯作者：
Gorgolewski, Krzysztof J.
影响因子：
16.2
作者：
Mukamel, Eran A.;Nimmerjahn, Axel;Schnitzer, Mark J.
通讯作者：
Schnitzer, Mark J.
影响因子：
16.2
作者：
Pnevmatikakis EA;Soudry D;Gao Y;Machado TA;Merel J;Pfau D;Reardon T;Mu Y;Lacefield C;Yang W;Ahrens M;Bruno R;Jessell TM;Peterka DS;Yuste R;Paninski L
通讯作者：
Paninski L
影响因子：
3.5
作者：
Park, Bo-Yong;Byeon, Kyoungseob;Park, Hyunjin
通讯作者：
Park, Hyunjin
影响因子：
64.5
作者：
Daigle TL;Madisen L;Hage TA;Valley MT;Knoblich U;Larsen RS;Takeno MM;Huang L;Gu H;Larsen R;Mills M;Bosma-Moody A;Siverts LA;Walker M;Graybuck LT;Yao Z;Fong O;Nguyen TN;Garren E;Lenz GH;Chavarha M;Pendergraft J;Harrington J;Hirokawa KE;Harris JA;Nicovich PR;McGraw MJ;Ollerenshaw DR;Smith KA;Baker CA;Ting JT;Sunkin SM;Lecoq J;Lin MZ;Boyden ES;Murphy GJ;da Costa NM;Waters J;Li L;Tasic B;Zeng H
通讯作者：
Zeng H