AAAI 2024 | 武大提出神经元分类全新框架，联合学习神经元骨架与大脑回路拓扑结构

Joint Learning Neuronal Skeleton and Brain Circuit Topology with Permutation Invariant Encoders for Neuron Classification

论文作者：

论文录用：

论文链接：

代码及数据链接：

引言

确定神经系统中神经元类型在大脑连接组学分析和神经系统疾病研究中扮演重要角色。然而，利用神经元的解剖、生理或分子特征的方法却效率相对较低且成本高昂。随着电子显微镜成像技术和大脑组织分析技术的进步，目前能够获得包含神经元高分辨率形态学和连接信息的全脑连接组数据。

然而，基于此类数据构建的用于自动神经元表征学习的模型却寥寥无几。在本文中，我们提出了一种名为 NeuNet 的框架，该框架结合了从神经元骨架获得的形态学信息和从连接组中获得的神经元间拓扑信息。

具体而言，NeuNet 由三个组成部分构成，即骨架编码器（Skeleton Encoder）、连接组编码器（Connectome Encoder）和读出层（Readout Layer）。Skeleton Encoder 采用一维卷积处理神经骨架的点数据，以自底而上的方式整合神经元的局部信息从而得到神经元的全局信息；Connectome Encoder 使用图神经网络（GNN）捕获连接组中的拓扑信息；最后，读出层融合上述两种信息并输出分类结果。

方法

NeuNet 主要由三个部分组成，即 Skeleton Encoder，Connectome Encoder 和 Readout Layer 层。Skeleton Encoder 用于学习脑神经元的形态学特征，Connectome Encoder 挖掘神经元在连接组当中的拓扑信息，而 Readout Layer 则对以上两种信息进行整合，输出神经元的综合学习表示

脑组织的电子显微镜照片上可以清晰的分辨出神经元细胞的轮廓，对其进行采样，并经过多张空间连续切片的电子显微镜照片叠加可以得到神经元在三维空间的形态信息。这种信息是由多个三维空间点的坐标构成，面对这种无序的点集数据，我们提出了基于一维卷积的自底向上的骨架信息编码器。该编码器主要由以下几个步骤实现。

实验

结论

本文提出了一种专门用于神经元分类任务的 NeuNet 框架，该框架融合了神经元骨架的形态学信息和具有置换不变性的连接组拓扑信息。NeuNet 的 Skeleton Encoder 采用自下而上的方式挖掘神经元 sekleton 的形态信息，而 NeuNet 的 Connectome Encoder 采用 GNN 提取脑回路的拓扑信息。这两种信息被融合并被读出层用于分类。

此外，我们对两个数据集进行了再处理和释放，用于神经元分类任务。在这些数据集中，NeuNet 与其他基线模型相比表现出了更好的性能。

🔍

现在，在「知乎」也能找到我们了

进入知乎首页搜索「PaperWeekly」

点击「关注」订阅我们的专栏吧