MesoNet allows automated scaling and segmentation of mouse mesoscale cortical maps using machine learning.
MesoNet allows automated scaling and segmentation of mouse mesoscale cortical maps using machine learning.
复制标题
使用机器学习可以自动缩放和分割鼠标中尺度的皮质图。
DOI：
10.1038/s41467-021-26255-2
复制
发表时间：
2021-10-13
影响因子：
16.6
通讯作者：
Murphy TH
中科院分区：
文献类型：
--
作者：
Xiao D;Forys BJ;Vanni MP;Murphy TH
了解大脑功能的基础需要了解广泛空间尺度的皮层操作以及对明确大脑区域的大脑活动的定量分析。将解剖图谱与大脑功能数据进行匹配需要大量的劳动力和专业知识。在这里，我们开发了一种基于机器学习的自动化配准和分割方法，用于对小鼠中尺度皮质图像进行定量分析。深度学习模型仅使用单个原始荧光图像即可识别九个皮质标志。另一个全卷积网络被用来界定大脑边界。通过添加三种使用感觉图或时空活动主题的功能对齐方法，扩展了这种解剖对齐方法。我们将这种方法称为 MesoNet，这是一种强大且用户友好的分析管道，使用预先训练的模型来分割艾伦小鼠大脑图谱中定义的大脑区域。这个基于Python的工具箱还可以与现有方法相结合，以促进高通量数据分析。大脑的高内涵成像有望提高我们对大脑电路的理解。在这里，作者提出了一种工具，可以自动缩放和分割皮质图，以利用中尺度图像加速神经生物学发现。
Understanding the basis of brain function requires knowledge of cortical operations over wide spatial scales and the quantitative analysis of brain activity in well-defined brain regions. Matching an anatomical atlas to brain functional data requires substantial labor and expertise. Here, we developed an automated machine learning-based registration and segmentation approach for quantitative analysis of mouse mesoscale cortical images. A deep learning model identifies nine cortical landmarks using only a single raw fluorescent image. Another fully convolutional network was adapted to delimit brain boundaries. This anatomical alignment approach was extended by adding three functional alignment approaches that use sensory maps or spatial-temporal activity motifs. We present this methodology as MesoNet, a robust and user-friendly analysis pipeline using pre-trained models to segment brain regions as defined in the Allen Mouse Brain Atlas. This Python-based toolbox can also be combined with existing methods to facilitate high-throughput data analysis. High content imaging of the brain holds the promise of improving our understanding of the brain’s circuitry. Here, the authors present a tool that automates the scaling and segmentation of cortical maps to accelerate neurobiological discovery using mesoscale images.
登录
查看更多内容
影响因子：
64.5
作者：
Levine JH;Simonds EF;Bendall SC;Davis KL;Amir el-AD;Tadmor MD;Litvin O;Fienberg HG;Jager A;Zunder ER;Finck R;Gedman AL;Radtke I;Downing JR;Pe'er D;Nolan GP
通讯作者：
Nolan GP
影响因子：
16.2
作者：
Cadwell, Cathryn R.;Bhaduri, Aparna;Mostajo-Radji, Mohammed A.;Keefe, Matthew G.;Nowakowski, Tomasz J.
通讯作者：
Nowakowski, Tomasz J.
影响因子：
7.7
作者：
Hao Y;Thomas AM;Li N
通讯作者：
Li N
影响因子：
25
作者：
Chan KY;Jang MJ;Yoo BB;Greenbaum A;Ravi N;Wu WL;Sánchez-Guardado L;Lois C;Mazmanian SK;Deverman BE;Gradinaru V
通讯作者：
Gradinaru V
影响因子：
9.2
作者：
MacDowell, Camden J.;Buschman, Timothy J.
通讯作者：
Buschman, Timothy J.