Slice to volume registration using neural networks for serial optical coherence tomography of whole mouse brains
Notice bibliographique
Résumé
Optical coherence tomography (OCT) has shown an affinity for imaging white matter using intrinsic signals. Combined with an automated vibratome and mosaic imaging, serial blockface histology (SBH) can yield whole-brain white matter images at high resolution. A current drawback of SBH is the lack of real-time information that complicates the localization of brain structures during imaging. To address this, imaged slices can be registered to a pre-existing 3D volume to provide more contextual information during the acquisition. 3D brain image registration is a process where a volume is aligned to a standard template to perform further analysis in a common reference frame. Without a full 3D volume, however, this slice-to-volume registration often proves difficult. The search space is large, and the limited information hampers existing algorithms. In this article, we present a neural network that predicts the 3D position of a 2D slice and aligns it to the corresponding slice in 3D template volume. The network uses a VGG16 backbone to extract features, followed by fully connected layers to predict the transformations. Six mouse brains at a resolution of 25μm, imaged using Serial OCT, have been used to train the network. The loss is calculated by taking the Euclidian distance between the predictions and the ground truth, which has been randomly sampled from the volume. Applications for this model are 2D to 3D slice registration, providing contextual information during serial OCT acquisitions such as the progress, or a parcelization of the current slice into its brain regions.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».