｛“status”：“ok”，“message type”：“work”，“message version”：“1.0.0”，“message”：｛“indexed”：｛“date parts”：[[2024,8,9]]，“date time”：“2024-08-09T15:55:27Z”，“timestamp”：1723218927579｝，“reference count”：46，“publisher”：“Oxford University Press（OUP）”，“issue”：“1”，“license”：[｛“start”：｛“date parts”：[[2022,12,26]，“date time”：“2022-12-26T00:0:00Z“，”时间戳“：1672012800000}，“content-version”：“vor”，“delay-in-days”：0，“URL”：“https:\/\/creativecommons.org\/licenses\/by\/4.0\/”}]，“出资人”：[{“名称”：“广东省发展计划”，“奖项”：[“2018B03033101”]}]，”内容域“：{“域”：[]，”交叉标记限制“：false}，”短容器时间“：[]”，“published-print”：{”日期段“：[2023,1,1]]}，“摘要”：“摘要<\/jats:title>\n\n个动机<\/jats:title>\n神经元树状结构的精确重建对于电路图绘制非常重要。许多自动跟踪算法都是朝着完全重建方向发展的。然而，追踪通常与轴突对应的轴突纤维的微弱信号仍然是一项挑战<\/jats:p>\n<\/jats:sec>\n\n个结果<\/jats:title>\n我们提出了一种名为NeuMiner的方法，通过结合两种策略来追踪弱纤维：在线样本挖掘策略和改进的伽玛变换。NeuMiner大幅提高了弱信号（体素值&lt；20）的召回率，从5.1%提高到27.8%。这在轴突中尤为突出，轴突增加了6.4倍，而树突增加了2.0倍。这两种策略都被证明有利于弱纤维识别，它们将轴突的平均空间距离分别减少了46%和13%。该改进是在两种流行的自动跟踪算法上观察到的，并且可以应用于任何其他跟踪程序和图像类型<\/jats:p>\n<\/jats:sec>\n\n个可用性和实施<\/jats:title>\nNeuMiner的源代码可在GitHub上免费获得（https:\/\/GitHub.com/craylyff\/neuronet\/tree\/semantic_fnm）。图像可视化、预处理和跟踪在Vaa3D平台上进行，可从Vaa3D GitHub存储库（https:\/\/GitHub.com/Vaa3D）访问该平台。所有训练和测试图像都是从Brain Image Library（https:\/\/www.brainimagelibrary.org\/）下载的高分辨率fMOST鼠标大脑中截取的，相应的黄金标准可在https:\//doi.brainimage Library.org\/doi\/10.35077\/g.25\n个补充信息<\/jats:title>\n补充数据可在生物信息学网站上获得<\/jats:p>\n“，”DOI“：”10.1093\/生物信息学\/btac816“，”type“：”journal-article“，”created“：{”date-parts“：[2022,12,26]]，”date-time“：”2022-12-26T14:21:37Z“，”timestamp“：1672064497000}，“source”：“Crossref”，“is-referenced-by-count”：4，“title”：[“Tracing weak neuron fibers”]，“prefix”：“10.1093”，“volume”：“39”，“作者”：[{“ORCID”：“http:\/\/orcid.org\/00000-0003-0848-5113“，”authenticated-orcid“：false，”given“：”Yufeng“，”family“：”Liu“，”sequence“：”first“，”affiliation“：[{“name”：“SEU-ALLEN联合中心，中国江苏省南京市东南大学脑与智能研究所”}]}，{“given”：“Ye”，“family”：“Zhong”，“sequence”：“additional”，“affiliance”：[{'name“：”东南大学脑与智能研究所SEU-ALLEN联合中心，中国江苏南京210096“}]}，{“given”：“Xuan”，“family”：“Zhao”，“sequence”：“additional”，“affiliation”：[{“name”：“SEU-ALLE联合中心，大脑与智能研究院，中国江苏省南京市210096”}]}刘“，”sequence“：”additional“，”affiliation“：[{”name“：”SEU-ALLEN联合中心，中国江苏南京东南大学脑与智能研究所“}]}，{”ORCID“：”http://\/ORCID.org\/00000-0002-1209-875X“，”authenticated-ORCID“：false，”given“：SEU-ALLEN联合中心，中国江苏省南京市东南大学脑与智能研究所，邮编：210096published-online“：{“date-parts”：[[2022,12,26]]}，“reference”：[{“key”：“2023011906415664800_btac816-B1”，“doi-asserted-by”：“crossref”，“first page”：”171“，“doi”：“10.1109\/TITB.2002.1006304”，“article-title”：“共焦图像堆栈中神经元的快速自动三维追踪”，“volume”：“”IEEE传输。通知。Technol公司。Biomed“}，{”key“：”2023011906415664800_btac816-B2“，”doi-asserted-by“：”crossref“，“first page”：“9247”，“doi”：“10.1523\/JNEUROSCI.2005-07.2007”，“article-title”：“NeuroMorpho.Org:神经元形态的中央资源”，“volume”：”27“，”author“：”Ascoli“，”year“：”2007“，”journal-title“：”J.Neurosci“}800_btac816-B3“，”doi-asserted-by“：”crossref“，”first page“：”319“，”doi“：”10.1109\/TITB.2012.2209670“，”article-title“：”3D共焦显微镜图像中单个神经元的分割和追踪“，”volume“：“17”，”author“：”Basu“，“year”：“2013”，“journal-title”：“IEEE J.Biomed。健康信息“}，{”key“：”2023011906415664800_btac816-B4“，”doi-asserted-by“：”crossref“，”first page“：“143”，“doi”：“10.1007\/s12021-010-9095-5”，“article-title”：“DIADEM数据集：神经元形态学的代表性光学显微镜图像，以推进数字重建的自动化”，“volume”：“9”，“author”：“Brown”，“year”：“2011”，“journal-title“：”神经信息学“}，{”key“：”2023011906415664800_btac816-B5“，”doi-asserted-by“：”crossref“，”first page“：“135”，“doi”：“10.1007\/s40708-015-0018-y”，“article-title”：“SmartTracing:基于自学习的神经元重建”，“volume”：“2”，“author”：“Chen”，“year”：“2015”，“journal-title”:“Brain Inform”}，}“key”：”2023023011906415.66480_btac 816-B6“，”doi-asserted-by“：”crossref“，”first page“：”527“，”doi“：”10.1109\/TMI.2020.3031289“，”article-title“：”三维神经元显微图像中基于深度学习的临界点检测的球状斑块提取“，”volume“：“40”，”author“：”Chen“，”year“2021”，”journal-title”：“IEEE Trans。医学影像学“}，{“key”：“2023011906415664800_btac816-B7”，“doi-asserted-by”：“crossref”，“first page”：”1“，”doi“：”10.1016\/j.cub.2010.11.056“，”article-title“：”果蝇大脑布线网络的单细胞分辨率三维重建“，”volume“：”21“，”author“：”Chiang“，”year“：”2011“，”journal-title”：“Curr.Biol”}2023011906415664800_btac816-B8“，”doi-asserted-by“：”crossref“，”first page“：”703“，”doi“：”10.1007\/978-3-030-58604-1_42“，”volume-title“：”Computer Vision\u2013 ECCV 2020“，”author“：”Citraro“，”year“：”2020“}，{“key”：“20230119064 15664800_catac816-B9”，“doi-assert-by”：”crosdref“”，”first-page:“91”，“doi”：“10.10 007\/978-1-4684-0766-2_5“，”卷标题“：”神经元结构的计算机分析”，“author”：“Coleman”，“year”：“1977”}，{“key”：“2023011906415664800_btac816-B10”，“doi-asserted-by”：“crossref”，“first page”：”199“，“doi”：“10.1016\/0013-4694（73脑电图。临床。Neurophysiol“｝，｛“key”：“2023011906415664800_btac816-B11”，“doi断言者”：“crossref”，“第一页”：“307”，“doi”：“10.1016\/0895-611（90）90105-K”，“文章标题”：“神经元成像与神经萤光素2014一种基于PC的图像组合显微镜系统”，“卷”：“14”，“作者”：“Glaser”，“年份”：“1990”，“期刊标题”：“Comput.Med.Imageging Graph”｝，｛“key”：“2023011906415664800_btac816-B12“，”doi-asserted-by“：”crossref“，”first page“：”12142“，”doi“：”10.1038\/ncomms12142“，“article-title”：“细胞水平上具有细胞结构标志的脑连接体的高通量双色精确成像”，“volume”：“7”，“author”：“Gong”，“year”：“2016”，“journal-title“：”Nat.Comun“}，{“key”：”2023011906415664800_btac816-B13”，“doi asserted by”：“crossref”，“首页”：“503”，“doi”：“10.1093\/生物信息学\/btab638”，“文章标题”：“利用单细胞神经元三维形态重建的图像增强”，“卷”：“38”，“作者”：“Guo”，“年份”：“2022”，“期刊标题”：“生物信息学”}，{“密钥”：“2023011906415664800_btac816-B14”，“doi-asserted-by“：”crossref“，”first page“：”38“，”doi“：”10.3389\/fnana.2020.000038“，”article-title“：”神经元重建三维深层网络的弱监督学习“，”volume“：“14”，”author“：”Huang“，“year”：“2020”，”journal-title”：“Front”。Neuroana“}，{“key”：“2023011906415664800_btac816-B16”，“doi-asserted-by”：“crossref”，“first page”：”991“，“doi”：“10.1016\/j.celrep.2012.09.011”，“article-title”：“果蝇神经生物学的GAL4-Driver line资源”，“volume”：第2卷，“author”：“Jenett”，“year”：“2012”，“journal-title“：”Cell Rep“}”，{”key“20230119006415664800 _btac816-B17“，”doi-asserted-by“：”crossref“，”first page“：”425“，”DOI“：”10.1109\/TMI.2019.2926568“，”article-title“：”深层网络缠结神经元图像中的三维神经元重建“，”volume“：“39”，”author“：”Li“，“year”：“2020”，”journal-title”：“IEEE Trans。医学成像“}，{“key”：“2023011906415664800_btac816-B18”，“doi-asserted-by”：“crossref”，“first page”：”1533“，“doi”：“10.1109\/TMI.2017.2679713”，“article-title”：“光学显微镜图像的深度学习分割改善了三维神经元重建”，“volume”：第36页，“author”：“Li”，《year》：“2017”，“journal title”：”IEEE Trans.Med.Imaging“}”，{”key“：”2023011906415664800_btac816-B19“，“doi-asserted-by”：“crossref”，“first page”：“1549”，“doi”：“10.1038\/s41467-019-09515-0”，“article-title”：“使用G-Cut精确分割密集交织的神经元簇”，“volume”：”10“，“author”：“Li”，”year“2019”，”journal-title“：”Nat.Comun“}”，{“key”：ted-by“：”crossref“，“首页”：“497”，“DOI”：“10.1007 \/s12021-018-9414-9”，“article-title”：“识别非均匀神经元图像中的弱信号以大规模追踪稀疏分布的神经突”，“volume”：“17”，“author”：“Li”，”year“：”2019“，”journal-title“：”Neuroinformatics“}，{”key“：”2023011906415664800_btac816-B21“，”DOI-asserted-by“，”首页“：”18“，”DOI“：”10.3389\/fnana.2019.00018“，“文章标题”：“使用基于Lasso的模型优化追踪神经元骨架”，“卷”：“13”，“作者”：“李”，“年份”：“2019”，“期刊标题”：”前面。Neuroanat“}，{“key”：“2023011906415664800_btac816-B22”，“doi-asserted-by”：“crossref”，“first page”：”133“，“doi”：“10.1007\/s12021-016-9317-6”，“article-title”：“SparseTracer:噪声图像中不连续神经元形态的重建”，“volume”:“15”，“author”：“Li”，”year“2017”，“journal-title“：”Neuroinformatics“}”，{”key“：”2023011906415664800_btac816-B23“，“首页”：“3510”，“作者”：“梁”，“年份”：“2017”}，{“密钥”：“20230119064 15664800_ btac816-B24”，“doi-asserted-by”：“crossref”，“首页面”：“1923”，“doi”：“10.1109\/TMI.2019.2893117”，《文章-标题》：“生物医学图像中树状结构终止检测的多尺度射线激发模型”，“体积”：“38”，“作者：“刘”，“年份”：“2019年”，“新闻标题”：“IEEE Trans。医学成像“}，{“key”：“2023011906415664800_btac816-B25”，“首页”：“443”，“作者”：“刘”，“年份”：“2018”}，}“密钥”：“2020年11906415664800_btac816-B26”，“文章标题”：“带精确分支擦除和置信控制回溯的自动三维神经元追踪”，“作家”：“柳”，“年度”：“2017”，“期刊标题”：《神经科学》}2023011906415664800_btac816-B27“，”doi-asserted-by“：”crossref“，”first page“：”387“，“doi”：“10.1007 \/s12021-016-9302-0”，“article-title”：“Rivulet:带迭代回溯的三维神经元形态学追踪”，“volume”：“14”，“author”：“Liu”，“year”：“2016”，“journal-title“：”Neuroinformatics“}，{“key”：”20230119064 15664800_ btac816-B28“，”article-title“BigNeuron：对神经元形态自动重建的最佳算法进行基准测试和预测的资源”，“volume-title”：“生物信息学”，“author”：“Manubens-Gil”，“year”：“2022”}，{key：“2023011906415664800_btac816-B29”，“first page”：“565”，“作者”：“Milletari”，“年份”：“2016”}doi-asserted-by“：”crossref“，”first page“：”i239“，”doi“：”10.1093\/生物信息学\/btr237“，”article-title“：”使用全路径剪枝的自动三维神经元追踪“，”volume“：“27”，”author“：”Peng“，”year“：”2011“，”journal-title”：“生物信息学”}，{“key”：“2023011906415664800_btac816-B31”，”doi-assert-by“”：”crosdref“”，”first-page:“332”，“doi”：“10.1038\/nmeth.4233“，”article-title“：“神经元图像超体积的自动追踪”，“体积”：“14”，“作者”：“彭”，“年份”：“2017年”，“期刊标题”：“自然方法”}，{“关键字”：“2023011906415664800_btac816-B32”，“doi-asserted-by”：“crossref”，“首页”：“252”，”doi“10.1016\/j.neuron.2015.06.036”，“article-title”：“BigNeuron：基于光学显微镜图像的大规模三维神经元重建”，“体积”：“87”，“作者”：“彭”，“年份”：“2015”，“日志标题”：“神经元”}，{“关键”：“2023011906415664800_btac816-B33”，“doi-asserted-by”：“crossref”，“首页”：“174”，”doi“：”10.1038\/s41586-021-03941-1“，”article-title“：”分子定义细胞类型中单个神经元的形态多样性”，“体积”：“598”，“作者”：“彭”，“年份”：“2021”，“日志标题”：“自然”}，{“关键”：“2020年11906415664800_btac816-B34”，“doi-asserted-by”：“crossref”，“首页”：“348”，”doi“10.1038”，nbt.1612”，“文章标题”：V3D支持大规模生物图像数据集的实时三维可视化和定量分析”，“卷”：“28”，“作者”：“彭”，“年份”：“2010”，“日志标题”：“Nat.Biotechsol”}，{“关键”：“2023011906415664800_btac816-B35”，“doi-asserted-by”：“crossref”，“首页”：“51”，“doi”：“10.1038\/nmeth.3662”，“article-title”：“NeuroGPS-Tree：具有密集神经突起的大规模神经元群的自动重建”，“volume”：“13”，“author”：“Quan”，“year”：“2016”，“journal-title”：“Nat.Methods”}，{“key”：”2023011906415664800_btac816-B36“，”doi-asserted-by“：”crossref“，”first page“：”3“，”doi“10.1007\/978-3-662-54345-03”，“volume-title“：”Bildverbarbeitung F\u00fcr Die Medizin 2017，Informatik Aktuell“，”作者“：”Ronneberger“，”年份“：”2017“｝，｛”键“：”2023011906415664800_btac816-B37“，”首页“：”1“，”文章标题“：”使用环形射线拍摄模型对曲线结构进行有效的临界点检测“，”卷“：”70“，”作者“：”Shen“，”年份“：”2021“，”期刊标题“：”IEEE传输。仪器。Meas“}，{”key“：”2023011906415664800_btac816-B38“，”doi-asserted-by“：”crossref“，”first page“：“1195”，”doi“：”10.1109\/TMI.2019.2945980“，”article-title“：”DeepBranch:deep neural networks for branch point detection in生物医学图像”，“volume”：“39”，“author”：“Tan”，“year”：“2020”，“journal-title”：“IEEE Trans.Med.Imaging”}2023011906415664800_btac816-B39“，“首页”：“4105”，“作者”：“乌里扬诺夫”，“年份”：“2017”}，{“键”：“20230119064 15664800_ btac816-B40”，“doi-asserted-by”：“crossref”，“第一页”：”185“，“doi”：“10.1007 \/s12021-017-9325-1”，“文章标题”：“用于三维神经元重建的集合神经元示踪剂”，“体积”：“15”，“作家”：“王”，“年”：“17”“，”日志标题“：”神经信息学“}，{“key”：“2023011906415664800_btac816-B41”，“首页”：“1105”，“author”：“Wang”，“年份”：“2019”}，“key“：”20230119064 15664800_ btac816-B42“，“author”：“王”，“year”：“2020”}、{“key”：”202401190641566800_btac826-B43“，“doi-asserted-by”：“crossref”，“first-page”：“1448”，“doi”：“10.1093 \/生物信息学\/btt170“，”文章标题“：”APP2：基于灰度图像距离树层次剪枝的三维神经元形态自动跟踪，“卷”：“29”，“作者”：“肖”，“年份”：“2013”，“期刊标题”：“生物信息学”}，{“键”：“2023011906415664800_btac816-B44”，“doi-asserted-by”：“crossref”，“首页”：“185”，”doi“10.1007”\/s1201-018-9392-y“，”article-title“：”FMST：一种基于快速行进和最小生成树的自动神经元追踪方法“，”volume“：”17“，”author“：”Yang“，”year“：”2019“，”journal-title“：”Neuroinformatics“}，{”key“：“2023011906415664800_btac816-B45”，”doi-asserted-by“：”crossref“，”first-page:“305”，”doi“：”10.1007\/s1201-020-094848484-6“，”article-title”：“GTree：一个用于密集重建大脑神经元群体的开源工具”，“卷”：“19”，“作者”：“周”，“年份”：“2021”，“期刊标题”：“神经信息学”}，{“关键”：“2020年11906415664800_btac816-B46”，“doi-asserted-by”：“crossref”，“首页”：“3”，“doi”：“10.1186 \/s408-018-0081-2”，“文章标题”：DeepNeuron：用于神经元追踪的开放式深度学习工具箱”，“卷”：“5”，“作者”：“周”，“年份”：“2018年”，“新闻标题”：“大脑信息”}，{“关键”：“2023011906415664800_btac816-B47”，“doi-asserted-by”：“crossref”，“首页”：“41”，“doi”：“10.1007\/s1201-015-9278-1”，“文章标题”：TReMAP:基于二维投影追踪、反向映射和组装的自动三维神经元重建”，“卷”：“14”，“作者”：“周”，“年份”：“2016”，“期刊标题”：“神经信息学”}]，“容器标题”：[“生物信息学”]，“原始标题”：[]，“语言”：“en”，“链接”：[{“URL”：“https:\/\/actical.oup.com/bioninformatics\/advance-article-pdf\/39\/1\/btac816\/48759278\/btac 816.pdf“，”content-type“：”application\/pdf“，”content-version“：”am“，”intended-application“：”syndication“}，{”URL“：”https:\\/actical.cop.com/bioinformatics \/article-pdf\/39 \/1\-btac816 \/48763694 \/btacc816.pdf'“，”content-type“：”应用程序\/pdf“，”content-version“：”vor“，”intended-application“：”syndication“}，{“URL”：“https://\\ademicial.oup.com/bioninformatics\/article-pdf\/39\/1\/btac816\/48763694\/btac 816.pdf”，“content-type”：“unspecified”，“content-version”：“vor”，“intended-application”：“similarity-checking”}]，“deposed”：{“date-parts”：[2023,19]]，“date-time”：”202 3-01-19T06:44:16Z“，”timestamp“：1674110656000}，”score“：1，”resource“：{”primary”：{“URL”：“https://\\ademicial.oup.com/bioninformatics\/article\/doi\/10.1093\/boacinformatics \/btac816\/6960919”}}，“subtittle”：[]，“editor”：[{“given”：“Janet”，“family”：“Kelso”，“sequence”：“additional”，“affiliation”：[]}]，“shorttitle”：[]，“issued”：{“date-parts”“：[2022,12,26]]}，”引用计数“：46，”journal-issue“：{”issue“：“1”，“published-print”：{“date-parts”：[[2023,1,1]]}}，“URL”：“http://\/dx.doi.org\/10.1093\/生物信息学\/btac816”，“relation”：{}，”ISSN“：[”1367-4803“，”1367-4811“]，”ISSN-type“：[{”value“：”1367-4303“，“type”：“print”}，{“value”：”1367-2811“，”type“：”“电子”“}]，”“主题”：[]，”published-other“：{”日期部分“：[2023,1,1]]}，”“已发布”：{“日期部分“：[[2022,12,26]]}}}