ИСТИНА

Динамические изображения различной модальности (фМРТ, многофотонная микроскопия, лазер-спекл контраст и др.), а также другие методы исследования активности клеток, например, многоэлектродная регистрация в коре мозга, позволяют исследовать процессы клеточной сигнализации, кодирования и обработки информации в нервной системе. Динамические изображения, при этом, стараются получать с максимально возможным пространственным и временным разрешением, что приводит к накоплению больших объемов экспериментальных данных. Наличие взаимных корреляций и коллективной динамики приводит к тому, что «полезный сигнал» может быть описан меньшим количеством переменных, чем полная размерность данных. Для решения этой задачи требуется использование и разработка математических методов выделения, классификации и визуализации этих полезных компонент, представления исходных данных в пространствах меньшей размерности, подавления шума. Анализ и интерпретация таких данных представляет собой актуальную и нетривиальную задачу. Во многих случаях задача сводится к «разреживающему» представлению данных, как комбинации нескольких компонент, представляющих интерес, и фонового шума. Подходы к поиску наиболее информативных компонент могут исходить из априорной информации о механизмах, лежащих в основе наблюдаемой динамики, либо на основе «обучения» непосредственно на основе полученных данных. Разрабатываемое автором программное обеспечение [1] позволяет исследовать динамические изображения различной модальности методом разложения на главные и независимые компоненты, многомасштабного (вейвлет) преобразования, картирования колебательных компонент динамики, проводить кластерной и корреляционный анализ сигналов в различных участках изображения. В частности, адаптация метода т.н. многомасштабной модели зрения, основанного на вейвлет-преобразовании изображений, позволила более полно исследовать особенности динамики спонтанных межклеточных кальциевых волн в сетях астроцитов in vivo [2]. Успех современного развития таких математических методов и подходов как Compressive sensing и Deep learning диктует необходимость их адаптации и использования для обработки и интерпретации нейробиологических данных, что является текущим приоритетом разработки данного программного обеспечения. 1. https://github.com/abrazhe/image-funcut 2. Brazhe A., Mathiesen C., Lind B., Rubin A., Lauritzen M. Multiscale vision model for event detection and reconstruction in two-photon imaging data. Neurophotonics. 2014, 1(1):011012.