TU Berlin

Neuronale InformationsverarbeitungNeuronale Informationsverarbeitung

Neuronale Informationsverarbeitung

Inhalt

zur Navigation

Neuronale Informationsverarbeitung

Wir beschäftigen uns mit den Grundlagen der Informationsverarbeitung in biologischen Systemen. Einerseits möchten wir die Funktionsmechanismen unseres Gehirns verstehen, andererseits machen wir uns die Strategien biologischer Systeme in Anwendungen maschinellen Lernens zu Nutze. Unsere Forschungsinteressen sind thematisch in drei Bereiche unterteilt.

Modelle neuronaler Systeme:

Lupe

In Zusammenarbeit mit Neurobiologen und Klinikern erforschen wir die Mechanismen der Informationsverarbeitung im visuellen System. Die Forschungsthemen behinhalten: Kortikale Dynamik, die Repräsentation visueller Information, Adaptation und Plastizität, sowie die Rolle von Rückkopplung. Seit jüngerer Zeit beschäftigen wir uns mit dem Zusammenhang von Wahrnehmung und kognitiven Funktionen. Hier untersuchen wir mathematische Modelle der Entscheidungsfindung in unbekannten Umgebungen hinsichtlich der Frage, wie die zugrunde liegenden Prozesse mit Wahrnehmung und Gedächtnis wechselwirken.

Maschinelles Lernen und neuronale Netze:

Lupe

Hier befassen wir uns mit dem künstlichen Erlernen von Zusammenhängen anhand von Beispielen, um Vorhersagen und Entscheidungen zu treffen. Die Forschungsthemen umfassen: Lernen geeigneter Darstellungen/Abbildungen, aktive und halbüberwachte Lernverfahren, sowie Prototyp-bezogene Methoden. Inspiriert durch die Modell-basierte Erforschung jener Vorgänge, welche für die Entscheidungsfindung eine zentrale Rolle spielen, haben wir begonnen Belohnungs- bzw. Bestrafungs-Lernen zu untersuchen und erweitern. Zusammen mit Spezialisten aus verschiedenen Anwendungsbereichen setzen wir maschinelles Lernen etwa zur Wiedergewinnung von Informationen ein, für maschinelles Sehen oder in der Chemoinformatik.

Analyse neuronaler Daten:

Lupe

Hier wenden wir maschinelles Lernen und statistische Verfahren zur Analyse multivariater biometrischer Daten an, insbesondere Daten, welche eine Grundlage für unsere computergestützten Studien neuronaler Systeme bilden. Die Forschungsthemen variieren und beinhalten gegenwärtig Spike-sorting und die Analyse von Multi-Tetroden Aufnahmen, Konfokalmikroskopie und 3D-Rekonstruktionsmethoden, sowie die Analyse von Daten bildgebender Verfahren. Seit Kurzem beschäftigen wir uns mit der Analyse multimodaler Daten und korrelieren beispielsweise anatomische, genetische, und Bilddatensätze.

Ausgewählte Publikationen

New Methods for the Computer-Assisted 3D Reconstruction of Neurons from Confocal Image Stacks
Zitatschlüssel Schmitt2004
Autor Schmitt, S. and Evers, J.-F. and Duch, C. and Scholz, M. and Obermayer, K.
Seiten 1283 – 1298
Jahr 2004
DOI doi:10.1016/j.neuroimage.2004.06.047
Journal Neuroimage
Jahrgang 23
Nummer 4
Verlag Elsevier
Zusammenfassung Exact geometrical reconstructions of neuronal architecture are indispensable for the investigation of neuronal function. Neuronal shape is important for the wiring of networks, and dendritic architecture strongly affects neuronal integration and firing properties as demonstrated by modeling approaches. Confocal microscopy allows to scan neurons with submicron resolution. However, it is still a tedious task to reconstruct complex dendritic trees with fine structures just above voxel resolution. We present a framework assisting the reconstruction. User time investment is strongly reduced by automatic methods which fit a skeleton and a surface to the data, while the user can interact, and thus, keeps full control to ensure a high quality reconstruction. The reconstruction process comprises a successive gain of metric parameters. First a structural description of the neuron is built, including the topology and the exact dendritic lengths and diameters. We use generalized cylinders with circular cross-sections. The user provides a rough initialization by marking the branching points. The axes and radii are fitted to the data by minimizing an energy-functional which is regularized by a smoothness constraint. The investigation of proximity to other structures throughout dendritic trees requires a precise surface reconstruction. In order to achieve accuracy of 0.1 micron and below, we additionally implemented a segmentation algorithm based on geodesic active contours which allows for arbitrary cross-sections and uses locally adapted thresholds. In summary, this new reconstruction tool saves time and increases quality as compared to other methods which have previously been applied to real neurons.
Typ der Publikation Selected:main selected:3dimages selected:publications
Link zur Originalpublikation Download Bibtex Eintrag

Nach oben

Navigation

Direktzugang

Schnellnavigation zur Seite über Nummerneingabe