×
西汉·卡亚桑迪克；郭康辉；德米特里奥·拉巴特

方向多尺度表示及其在数字神经元重建中的应用。 （英语） Zbl 1405.92135号

J.计算。申请。数学。 349, 482-493 (2019).
摘要：多尺度表示领域的最新进展促使出现了新一代强大的技术，用于有效分析图像和其他多维数据。这些新技术能够量化复杂成像数据中的基本几何特征，从而改进图像恢复、特征提取和分类算法。我们讨论了这些思想在神经科学成像中的应用，并描述了一种在多细胞图像中准确有效地识别神经元胞体的新方法。该方法有助于设计一种新的神经元追踪算法。

引用于1文件

MSC公司：

92 C55 生物医学成像和信号处理
92C20美元 神经生物学
42立方厘米 涉及小波和其他特殊系统的非三角调和分析

关键词：

荧光显微镜；多尺度分析；神经元图谱；神经元重建；稀疏表示；小波

软件：

神经形态蛋白
PDF格式BibTeX公司 XML格式引用
\textit{C.Kayasandik}等人，J.计算。申请。数学。349、482--493（2019年；Zbl 1405.92135）
全文： 内政部

参考文献：

[1] 阿斯科利，G.A。；Donohue，D.E。；Halavi，M.，Neuromorphor.org:神经元形态的中心资源，《神经科学杂志》。，27, 35, 9247-9251 (2007)
[2] Brown，K。；Barrionuevo，G。；A.坎蒂。；Paola，V。；赫施，J。；杰弗里斯，G。；卢，J。；Snippe，M。；杉原一世。；Ascoli，G.，《DIADEM数据集：促进数字重建自动化的神经元形态学代表性光学显微镜图像》，神经信息学，9，2-3，143-157（2011）
[3] Liu，Y.，The DIADEM and beyond，神经信息学，9，2-3，99-102（2011）
[4] 帕雷克，R。；Ascoli，G.A.，《神经元形态学走向数字化：细胞和系统神经科学的研究中心》，《神经元》，77，6，1017-1038（2013）
[5] 彭，H。；罗萨姆，B。；Ascoli，G.A.，《自动图像计算重塑计算神经科学》，BMC生物信息学，14，1，293（2013）
[6] 彭，H。；梅杰林，E。；Ascoli，G.A.，《从DIADEM到BigNeuron》，神经信息学，13，3，259-260（2015）
[7] 科尔特斯，C。；Vapnik，V.，支持向量网络，马赫。学习。，20, 3, 273-297 (1995) ·Zbl 0831.68098号
[8] Easley，G。；Labate博士。；Lim，W.Q.，使用离散剪切波变换的稀疏方向图像表示，应用。计算。哈蒙。分析。，25, 1, 25-46 (2008) ·Zbl 1147.68794号
[9] Jiménez，D。；Labate博士。；卡卡迪亚里斯，I。；Papadakis，M.，《树突和轴突结构的改进自动中心线追踪》，神经信息学，13，2，227-244（2015）
[10] 奥兹坎，B。；尼吉，P。；拉扎，F。；Papadakis，M。；Labate，D.，神经元网络培养物中胞体位置和形态的自动检测，PLoS One，10，4（2015）
[11] 坎迪斯，E.J。；Donoho，D.L.，《曲线的新紧框架和分段C2奇点对象的最优表示》，Comm.Pure Appl。数学。，57, 2, 219-266 (2004) ·Zbl 1038.94502号
[12] Kutyniok，G。；Labate，D.，Shearlets:多元数据的多尺度分析（2012），Springer·Zbl 1237.42001号
[13] Labate博士。；Lim，W。；Kutyniok，G。；Weiss，G.，《使用剪切波的稀疏多维表示》（San Diego，C.，SPIE Proc.，vol.5914（2005），SPIE:SPIE Bellingham），254-262
[14] 郭，K。；Labate，D.，《光滑Parseval剪板框的构造》，数学。模型。自然现象。，8, 1, 82-105 (2013) ·Zbl 1266.42076号
[15] 郭，K。；Labate，D.，《使用剪切波的最优稀疏多维表示》，SIAM J.Math。分析。，39, 1, 298-318 (2007) ·Zbl 1197.42017年4月20日
[16] Easley，G.R。；Labate博士。；Negi，P.，使用组合稀疏字典进行3D数据去噪。，数学。模型。自然现象。，8, 1, 60-74 (2013) ·Zbl 1260.42022号
[17] 斯塔克，J.-L。；坎迪斯，E.J。；Donoho，D.L.，图像去噪的曲线变换，Trans。图。程序。，11, 6, 670-684 (2002) ·Zbl 1288.94011号
[18] Lim，W.-Q.，《离散剪切波变换：一种新的方向变换和紧支撑剪切波框架》，Trans。图。程序。，19, 5, 1166-1180 (2010) ·Zbl 1371.94233号
[19] 辛格，P。；Negi，P.S。；莱扎，F。；Papadakis，M。；Labate，D.，神经元图像中神经突起方向和空间组织的多尺度分析，神经信息学，14，4，465-477（2016）
[20] 希梅内兹，D。；Labate博士。；卡卡迪亚里斯，I.A。；Papadakis，E.，改进树突和轴突结构的自动中心线追踪，神经信息学，13，227-244（2014）
[21] Pawley，J.B.，《生物共焦显微镜手册》（2006），Springer:Springer New York（纽约）
[22] 韦弗，C.M。；Pinezich，J.D。；林奎斯特，W.B。；Vazquez，M.E.，《神经突起生长重建算法》，J.Neurosci。方法，124197-205（2003）
[23] 巴洛顿，P。；Lagerstrom，R。；Sun，C。；巴克利，M。；王，D。；De Silva，M。；Tan，S。；Gunnersen，J.，使用hca视觉对培养的皮层神经元中的轴突分支进行自动分析。，细胞学。A部分，71，10889-895（2007）
[24] 施密茨，S.K。；Hjorth，J.J。；Joemai，R.M。；Wijntjes，R。；Eijgenraam，S。；de Bruijn，P。；乔治奥，C。；德容，A.P。；van Ooyen，A。；Verhage，M。；Cornelisse，L.N。；Toonen，R.F。；Veldkamp，W.，《神经元形态、突触数量和突触募集的自动分析》，《神经科学杂志》。方法，195，2，185-193（2011）
[25] 卡亚桑迪克，C.B。；Labate，D.，《神经元荧光显微镜图像中体细胞位置和形态的改进检测》，《神经科学杂志》。方法，274，61-70（2016）
[26] He，G.W。；Wang，T.-Y。；蒋，A.-S。；Ching，Y.-T.，使用机器学习技术在神经元3D图像中检测Soma，神经信息学，16，1，31-41（2018）
[27] Labate博士。；莱扎，F。；Negi，P。；奥兹坎，B。；Papadakis，M.，《使用方向多尺度表示法高效处理荧光图像》，数学。模型。自然现象。，9, 5, 177-193 (2014) ·Zbl 1301.92042号
[28] 北卡罗来纳州班尼斯特。；Larkman，A.，大鼠海马CA1锥体神经元的树突状形态：I.分支模式，J.Comp。神经病学。，360, 1, 150-160 (1995)
[29] 菲亚拉，J.C。；哈里斯·K·M。；Spacek，K.，《枝晶结构》（1999），牛津大学出版社，牛津（英国）
[30] Perona，P.，用于边缘检测和连接分析的可操纵尺度核，图像视觉。计算。，10, 10, 663-672 (1992)
[31] Geusebroek，J.M。；Smeulders，A。；van de Weijer，J.，快速各向异性高斯滤波，IEEE Trans。图像处理。，938-943年8月12日（2003年）·兹比尔1279.94016
[32] Buades，A。；科尔·B。；Morel，J.，图像去噪算法综述，以及一种新的算法，多尺度模型。模拟。，4, 2, 490-530 (2005) ·Zbl 1108.94004号
[33] Sethian，J.A.，《水平集方法和快速行进方法》（1999），剑桥大学出版社·Zbl 0929.65066号
[34] Lindeberg，T.，《带自动比例选择的特征检测》，国际计算机杂志。视觉。，30, 2, 79-116 (1998)
[35] 希梅内兹，D。；Labate博士。；卡卡迪亚里斯，I.A。；Papadakis，M.，《改进树突和轴突结构的自动中心线追踪》，神经信息学，13，1-18（2014）
[36] Al-Kofahi，Y。；Dowell Mesfin，D。；佩斯，C。；Shain，W。；Turner，改进了从3D共焦图像自动神经元跟踪算法中的分支点检测。，细胞。A部分，73，1，36-43（2008）
[37] 巴洛顿，P。；Lagerstrom，R。；Sun，C。；巴克利，M。；Wang，D.，使用HCA-Vision自动分析培养皮层神经元的神经突起分支，细胞学。A部分，71，10，889-895（2007）
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。