specimen-preparation-imaging-analysis-protocols-for-knife-edge

Specimen Preparation, Imaging, and Analysis Protocols for Knife-edge Scanning Microscopy

Major advances in high-throughput, high-resolution, 3D microscopy techniques have enabled the acquisition of large volumes of neuroanatomical data at ...

Contour integration in low-level vision is believed to occur based on lateral interaction between neurons with similar orientation tuning. How such interactions could arise in the brain has been an open question. Our model suggests that the interactions can be learned through input-driven self-organization, i.e., through the same mechanism that underlies many other developmental and functional phenomena in the visual cortex. The model also shows how synchronized firing mediated by these lateral connections can represent the percept of a contour, resulting in performance similar to that of human contour integration. The model further demonstrates that contour integration performance can differ in different parts of the visual field, depending on what kinds of input distributions they receive during development. The model thus grounds an important perceptual phenomenon onto detailed neural mechanisms so that various structural and functional properties can be measured and predictions can be made to guide future experiments.

Contour integration and segmentation with self-organized lateral connections.

Contour-Integration und Segmentierung mit selbst organisierten seitlichen Anschl&#xFC;ssen.

How multiple specialized cortical areas in the brain interact with each other to give rise to an integrated behavior is a largely unanswered question. This paper proposes that such an integration can be understood under the framework of analogy and that part of the thalamus and the thalamic reticular nucleus (TRN) may be playing a key role in this respect. The proposed thalamocortical model of analogy heavily depends on a diverse set of temporal parameters including axonal delay and membrane time constant, each of which is critical for the proper functioning of the model. The model requires a specific set of conditions derived from the need of the model to process analogies. Computational results with a network of integrate and fire (IF) neurons suggest that these conditions are indeed necessary, and furthermore, data found in the experimental literature also support these conditions. The model suggests that there is a very good reason for each temporal parameter in the thalamocortical network having a particular value, and that to understand the integrated behavior of the brain, we need to study these parameters simultaneously, not separately.

The role of temporal parameters in a thalamocortical model of analogy.

Die Rolle der zeitlichen Parameter in einer thalamokortikalen Modell der Analogie.

A stationary display of white discs positioned on intersecting gray bars on a dark background gives rise to a striking scintillating effect--the scintillating grid illusion. The spatial and temporal properties of the illusion are well known, but a neuronal-level explanation of the mechanism has not been fully investigated. Motivated by the neurophysiology of the Limulus retina, we propose disinhibition and self-inhibition as possible neural mechanisms that may give rise to the illusion. In this letter, a spatiotemporal model of the early visual pathway is derived that explicitly accounts for these two mechanisms. The model successfully predicted the change of strength in the illusion under various stimulus conditions, indicating that low-level mechanisms may well explain the scintillating effect in the illusion.

A neural model of the scintillating grid illusion: disinhibition and self-inhibition in early vision.

Eine station&auml;re Anzeige der wei&szlig;en Scheiben auf sich &uuml;berschneidenden grauen Balken auf einem dunklen Hintergrund positioniert entsteht eine markante funkelnde Wirkung--die funkelnde Gittert&auml;uschung. Die r&auml;umlichen und zeitlichen Eigenschaften der Illusion sind bekannt, aber eine neuronale Ebene Erkl&auml;rung des Mechanismus nicht vollst&auml;ndig untersucht. Motiviert durch die Neurophysiologie der Limulus-Netzhaut, schlagen wir Enthemmung und Self-inhibition als m&ouml;gliche neuronalen Mechanismen, die die Illusion ergeben k&ouml;nnen. In diesem Brief ist eine raumzeitliche Modell des fr&uuml;hen visuellen Signalweges abgeleitet, die explizit f&uuml;r diese beiden Mechanismen ausmacht. Das Modell vorhergesagt hat erfolgreich die &Auml;nderung der St&auml;rke in der Illusion unter verschiedenen Bedingungen der Reiz, dass systemnahe Mechanismen gut erkl&auml;ren k&ouml;nnte, den funkelnden Effekt in der Illusion.

Eine neuronale Modell der funkelnde Gitter Illusion: Enthemmung und Self-inhibition in fr&uuml;hen Vision.

Visual illusions can be strengthened or weakened with the addition of extra visual elements. For example, in the Poggendorff illusion, with an additional bar added, the illusory skew in the perceived angle can be enlarged or reduced. In this paper, we show that a nontrivial interaction between lateral inhibitory processes in the early visual system (i.e., disinhibition) can explain such an enhancement or degradation of the illusory effect. The computational model we derived successfully predicted the perceived angle in the Poggendorff illusion task that was modified to include an extra thick bar. The concept of disinhibition employed in the model is general enough that we expect it can be further extended to account for other classes of geometric illusions.

Neural model of disinhibitory interactions in the modified Poggendorff illusion.

Visuelle Illusionen k&ouml;nnen gest&auml;rkt oder geschw&auml;cht mit dem Zusatz von zus&auml;tzlichen visuellen Elementen werden. Zum Beispiel in der Poggendorff Illusion, mit einer zus&auml;tzlichen Bar hinzugef&uuml;gt, kann die illusorische Skew in den wahrgenommenen Winkel vergr&ouml;&szlig;ert oder verkleinert werden. In diesem Beitrag zeigen wir, dass eine nicht-triviale Interaktion zwischen seitlichen inhibitorische Prozesse im fr&uuml;hen visuellen System (d.h., Enthemmung) solch eine Verbesserung oder Verschlechterung der illusorische Wirkung erkl&auml;ren kann. Das Computermodell, die, das wir erfolgreich abgeleitet, prognostiziert den wahrgenommenen Winkel in die Poggendorff-T&auml;uschung-Aufgabe, die ge&auml;ndert wurde, um eine extra dicke Bar enthalten. Das Konzept der Enthemmung im Modell besch&auml;ftigt ist allgemein genug, dass wir erwarten, dass er weiter auf Konto f&uuml;r andere Klassen Geometrische Illusionen erweitert werden kann.

Neuronale Modell disinhibitory Interaktionen in der ver&auml;nderten Poggendorff Illusion.

Reverse engineering of genetic regulatory networks from experimental data is the first step toward the modeling of genetic networks. Linear state-space models, also known as linear dynamical models, have been applied to model genetic networks from gene expression time series data, but existing works have not taken into account available structural information. Without structural constraints, estimated models may contradict biological knowledge and estimation methods may over-fit.

Structural systems identification of genetic regulatory networks.

Reverse Engineering von genetischen regulatorischen Netzwerken aus experimentellen Daten ist der erste Schritt bei der Modellierung von genetischen Netzwerken. Linearen Zustandsraum Modelle, auch bekannt als lineare dynamische Modelle, Modell genetischen Netzwerken von Gen-Ausdruck Zeitreihendaten angewendet wurden, aber vorhandene Werke haben Konto verf&uuml;gbaren Strukturinformationen nicht ber&uuml;cksichtigt. Ohne strukturelle Zw&auml;nge, gesch&auml;tzte Modelle k&ouml;nnen widersprechen, biologische wissen und Einsch&auml;tzung Methoden over-fit k&ouml;nnen.

Struktursysteme Identifizierung der genetischen Regelnetze.

Although a great deal is known about one gene or protein and its functions under different environmental conditions, little information is available about the complex behaviour of biological networks subject to different environmental perturbations. Observing differential expressions of one or more genes between normal and abnormal cells has been a mainstream method of discovering pertinent genes in diseases and therefore valuable drug targets. However, to date, no such method exists for elucidating and quantifying the differential dynamical behaviour of genetic regulatory networks, which can have greater impact on phenotypes than individual genes.

Dynamical pathway analysis.

Obwohl sehr viel &uuml;ber ein Gen oder Protein und seine Funktionen unter verschiedenen Umweltbedingungen bekannt ist, gibt wenig Informationen &uuml;ber die komplexen Verhaltens biologischer Netzwerke unterliegen verschiedenen &ouml;kologischen Perturbationen. Differenzielle Ausdr&uuml;cke von einem oder mehreren Genen zwischen normalen und abnormalen Zellen beobachtet wurde einer etablierten Methode relevante Gene in Krankheiten und daher wertvolle Droge-Ziele zu entdecken. Bis heute existiert jedoch keine solche Methode f&uuml;r die und das differenzielle dynamische Verhalten der genetischen regulatorischen Netzwerken, die gr&ouml;&szlig;ere Auswirkungen auf Ph&auml;notypen als einzelne Gene k&ouml;nnen zu quantifizieren.

Analyse der dynamischen Weg.

Neural conduction delay is a serious issue for organisms that need to act in real time. Various forms of flash-lag effect (FLE) suggest that the nervous system may perform extrapolation to compensate for delay. For example, in motion FLE, the position of a moving object is perceived to be ahead of a brief flash when they are actually colocalized. However, the precise mechanism for extrapolation at a single-neuron level has not been fully investigated. Our hypothesis is that facilitating synapses, with their dynamic sensitivity to the rate of change in the input, can serve as a neural basis for extrapolation. To test this hypothesis, we constructed and tested models of facilitating dynamics. First, we derived a spiking neuron model of facilitating dynamics at a single-neuron level, and tested it in the luminance FLE domain. Second, the spiking neuron model was extended to include multiple neurons and spike-timing-dependent plasticity (STDP), and was tested with orientation FLE. The results showed a strong relationship between delay compensation, FLE, and facilitating synapses/STDP. The results are expected to shed new light on real time and predictive processing in the brain, at the single neuron level.

Extrapolative delay compensation through facilitating synapses and its relation to the flash-lag effect.

Neuronale Leitverm&ouml;gen Verz&ouml;gerung ist ein ernstes Problem f&uuml;r Organismen, die in Echtzeit handeln m&uuml;ssen. Verschiedene Formen der Blitz-verlangsamen Effekt (FLE) schlagen vor, da&szlig; das Nervensystem Hochrechnung zum Ausgleich Verz&ouml;gerung durchf&uuml;hren k&ouml;nnen. Beispielsweise wird in Bewegung FLE, die Position des ein bewegtes Objekt wahrgenommen, vor einem kurzen Blitz zu sein, wenn sie tats&auml;chlich colocalized sind. Allerdings ist der genaue Mechanismus f&uuml;r die Hochrechnung auf einer Einzel-Neuron-Ebene nicht vollst&auml;ndig untersucht worden. Unsere Hypothese ist, dass die Erleichterung von Synapsen, mit dynamischen Empfindlichkeit gegen&uuml;ber die &Auml;nderungsrate in der Eingabe, als neuronale Basis f&uuml;r die Hochrechnung dienen kann. Um diese Hypothese zu testen, haben wir gebaut und getestet Modelle Dynamik zu erleichtern. Erstens wir abgeleitet Blindkontrollen Neuron Modell Dynamik auf einer Einzel-Neuron-Ebene zu erleichtern und es in der Luminanz-FLE-Dom&auml;ne getestet. Zweitens das Blindkontrollen Neuron-Modell wurde erweitert, um mehrere Neuronen und Spike-Timing-abh&auml;ngigen Plastizit&auml;t (STDP) enthalten und mit Ausrichtung FLE getestet wurde. Die Ergebnisse zeigten eine starke Beziehung zwischen Delay Compensation, FLE und Synapsen/STDP zu erleichtern. Die Ergebnisse werden erwartet, um neues Licht auf Echtzeit und vorausschauende Verarbeitung im Gehirn, auf der Ebene der einzelnen Neuron.

Extrapolative Delay Compensation durch Erleichterung der Synapsen und ihre Beziehung zu den Blitz-Verz&ouml;gerung-Effekt.

Goal-directed behavior is a hallmark of cognition. An important prerequisite to goal-directed behavior is that of prediction. In order to establish a goal and devise a plan, one needs to see into the future and predict possible future events. Our earlier work has suggested that compensation mechanisms for neuronal transmission delay may have led to a preliminary form of prediction. In that work, facilitating neuronal dynamics was found to be effective in overcoming delay (the Facilitating Activation Network model, or FAN). The extrapolative property of the delay compensation mechanism can be considered as prediction for incoming signals (predicting the present based on the past). The previous FAN model turns out to have a limitation especially when longer delay needs to be compensated, which requires higher facilitation rates than FAN's normal range. We derived an improved facilitating dynamics at the neuronal level to overcome this limitation. In this paper, we tested our proposed approach in controllers for 2D pole balancing, where the new approach was shown to perform better than the previous FAN model. Next, we investigated the differential utilization of facilitating dynamics in sensory vs. motor neurons and found that motor neurons utilize the facilitating dynamics more than the sensory neurons. These findings are expected to help us better understand the role of facilitating dynamics in delay compensation, and its potential development into prediction, a necessary condition for goal-directed behavior.

Facilitating neural dynamics for delay compensation: a road to predictive neural dynamics?

Zielgerichtetes Verhalten ist ein Markenzeichen der Kognition. Das ist einer wichtigen Voraussetzung f&uuml;r zielgerichtetes Verhalten der Vorhersage. Um ein Ziel festzulegen und einen Plan zu entwickeln, muss man in die Zukunft sehen und m&ouml;gliche zuk&uuml;nftige Ereignisse vorherzusehen. Unserer fr&uuml;heren Arbeit hat vorgeschlagen, dass Kompensationsmechanismen f&uuml;r neuronale &Uuml;bertragung Verz&ouml;gerung zu einer vorl&auml;ufigen Form der Vorhersage gef&uuml;hrt haben k&ouml;nnen. In diesem Werk wurde Erleichterung neuronaler Dynamik gefunden, wirksam bei Verz&ouml;gerung (Erleichterung der Aktivierung Netzwerkmodell oder FAN) zu &uuml;berwinden. Die extrapolative-Eigenschaft, die Verz&ouml;gerung Ausgleichsmechanismus kann als Vorhersage f&uuml;r eingehende Signale (Vorhersage der Gegenwart auf der Grundlage der Vergangenheit). Das Vorg&auml;ngermodell FAN entpuppt sich eine Einschr&auml;nkung vor allem dann, wenn l&auml;ngere Verz&ouml;gerung entsch&auml;digt werden muss, haben die Erleichterung h&ouml;her als FAN des normalen Bereich erfordert. Wir abgeleitet eine verbesserte Erleichterung Dynamics auf neuronaler Ebene, um diese Einschr&auml;nkung zu umgehen. In diesem Papier testeten wir unsere vorgeschlagene Ansatz in Steuerungen f&uuml;r das 2D Pol ausgleichen, wo das neue Konzept gezeigt wurde, besser als das Vorg&auml;ngermodell FAN durchzuf&uuml;hren. Als n&auml;chstes untersuchten wir die differenzielle Auslastung Dynamik in sensorische vs. Motoneuronen und gefunden, dass Motoneuronen die Erleichterung Dynamik mehr als die sensorischen Neuronen nutzen zu erleichtern. Diese Erkenntnisse sollen helfen, uns besser zu verstehen, die Rolle der Dynamik im Delay Compensation und die m&ouml;gliche Entwicklung in Vorhersage, eine notwendige Voraussetzung f&uuml;r zielgerichtetes Verhalten zu erleichtern.

Neuronaler Dynamik Versp&auml;tung Entsch&auml;digung zu erleichtern: ein Weg zur vorausschauenden neuronaler Dynamik?

Texture boundary detection (or segmentation) is an important capability in human vision. Usually, texture segmentation is viewed as a 2D problem, as the definition of the problem itself assumes a 2D substrate. However, an interesting hypothesis emerges when we ask a question regarding the nature of textures: What are textures, and why did the ability to discriminate texture evolve or develop? A possible answer to this question is that textures naturally define physically distinct (i.e., occluded) surfaces. Hence, we can hypothesize that 2D texture segmentation may be an outgrowth of the ability to discriminate surfaces in 3D. In this paper, we conducted computational experiments with artificial neural networks to investigate the relative difficulty of learning to segment textures defined on flat 2D surfaces vs. those in 3D configurations where the boundaries are defined by occluding surfaces and their change over time due to the observer's motion. It turns out that learning is faster and more accurate in 3D, very much in line with our expectation. Furthermore, our results showed that the neural network's learned ability to segment texture in 3D transfers well into 2D texture segmentation, bolstering our initial hypothesis, and providing insights on the possible developmental origin of 2D texture segmentation function in human vision.

Segmentation of Textures Defined on Flat vs. Layered Surfaces using Neural Networks: Comparison of 2D vs. 3D Representations.

Textur-Grenze-Erkennung ist (Segmentierung) eine wichtige Funktion im menschlichen Sehens. In der Regel ist als die Definition des Problems selbst ein 2D Substrat &uuml;bernimmt Textur Segmentierung als 2D Problem angesehen. Jedoch eine interessante Hypothese entsteht, wenn wir etwas &uuml;ber die Beschaffenheit von Texturen Fragen: Was sind Texturen, und warum hat die F&auml;higkeit, Textur zu unterscheiden, entwickeln oder entwickeln? Eine m&ouml;gliche Antwort auf diese Frage ist, dass Texturen nat&uuml;rlich physisch definieren unterschiedliche (d. h. verschlossen) Oberfl&auml;chen. Daher k&ouml;nnen wir vermuten, dass 2D-Textur Segmentierung ein Auswuchs der F&auml;higkeit zu diskriminieren m&ouml;glicherweise Oberfl&auml;chen in 3D. In diesem Papier f&uuml;hrten wir computational Experimente mit k&uuml;nstlichen neuronalen Netzen zur Untersuchung der relativen Schwierigkeit des Lernens zu Segment Texturen auf flache 2D-Oberfl&auml;chen vs. in 3D Konfigurationen, wo die Grenzen von Gef&auml;&szlig;verschlie&szlig;ende Oberfl&auml;chen und ihre Ver&auml;nderung im Laufe der Zeit durch Bewegung des Betrachters definiert, definiert. Es stellt sich heraus, dass das lernen schneller und genauer in 3D, sehr viel im Einklang mit unserer Erwartung. Dar&uuml;ber hinaus zeigten unsere Ergebnisse, dass des neuronalen Netzes F&auml;higkeit, Segment Textur in 3D &Uuml;bertragungen gut in 2D Textur Segmentierung, unsere erste Hypothese zu st&auml;rken und die Erkenntnisse &uuml;ber den m&ouml;glichen Entwicklungsst&ouml;rungen Ursprung 2D-Textur Segmentierung Funktion in menschlichen Sehens gelernt.

Segmentierung von Texturen auf Flat vs. Layered Oberfl&auml;chen mit neuronalen Netzen definiert: Vergleich der 2D vs. 3D-Darstellungen.

Genaue mikrovaskul&auml;re morphometrischer Informationen hat gravierende Auswirkungen auf verschiedenen Gebieten, einschlie&szlig;lich der Quantifizierung von Angiogenesis in der Krebsforschung, verstehen die Immunantwort f&uuml;r Neuroprothesen und Vorhersage der Natur des Blutflusses, bez&uuml;glich der Schlaganfall. Wir berichten Bildgebung des Gehirns ganze Maus mikrovaskul&auml;re Systems bei Aufl&ouml;sungen ausreichend genaue Morphometrie durchf&uuml;hren. Imaging wurde mithilfe von Messerschneiden-Scanning-Mikroskopie (KESM) durchgef&uuml;hrt und ist das erste Beispiel dieser Technik, die klinische Forschung direkt angewendet werden k&ouml;nnen. Wir sind in der Lage zu erreichen &asymp; 0.7&mu;m Aufl&ouml;sung seitlich mit 1&mu;m Tiefe Aufl&ouml;sung mit seriellen schneiden. Keine Ausrichtung war notwendig und Kontrast Segmentierung und Messung der Schiffe zu erm&ouml;glichen.

Schnelle Makro-Ma&szlig;stab &Uuml;bertragung Bildgebung mikrovaskul&auml;re Netzwerke mithilfe von KESM.

Accurate microvascular morphometric information has significant implications in several fields, including the quantification of angiogenesis in cancer research, understanding the immune response for neural prosthetics, and predicting the nature of blood flow as it relates to stroke. We report imaging of the whole mouse brain microvascular system at resolutions sufficient to perform accurate morphometry. Imaging was performed using Knife-Edge Scanning Microscopy (KESM) and is the first example of this technique that can be directly applied to clinical research. We are able to achieve â‰ˆ 0.7Î¼m resolution laterally with 1Î¼m depth resolution using serial sectioning. No alignment was necessary and contrast was sufficient to allow segmentation and measurement of vessels.

Fast macro-scale transmission imaging of microvascular networks using KESM.

Connectomics is the study of the full connection matrix of the brain. Recent advances in high-throughput, high-resolution 3D microscopy methods have enabled the imaging of whole small animal brains at a sub-micrometer resolution, potentially opening the road to full-blown connectomics research. One of the first such instruments to achieve whole-brain-scale imaging at sub-micrometer resolution is the Knife-Edge Scanning Microscope (KESM). KESM whole-brain data sets now include Golgi (neuronal circuits), Nissl (soma distribution), and India ink (vascular networks). KESM data can contribute greatly to connectomics research, since they fill the gap between lower resolution, large volume imaging methods (such as diffusion MRI) and higher resolution, small volume methods (e.g., serial sectioning electron microscopy). Furthermore, KESM data are by their nature multiscale, ranging from the subcellular to the whole organ scale. Due to this, visualization alone is a huge challenge, before we even start worrying about quantitative connectivity analysis. To solve this issue, we developed a web-based neuroinformatics framework for efficient visualization and analysis of the multiscale KESM data sets. In this paper, we will first provide an overview of KESM, then discuss in detail the KESM data sets and the web-based neuroinformatics framework, which is called the KESM brain atlas (KESMBA). Finally, we will discuss the relevance of the KESMBA to connectomics research, and identify challenges and future directions.

Multiscale exploration of mouse brain microstructures using the knife-edge scanning microscope brain atlas.

Connectomics ist die Studie der vollst&auml;ndige Verbindung Matrix des Gehirns. J&uuml;ngsten Fortschritte in hohem Durchsatz, hochaufl&ouml;sende 3D Mikroskopie-Methoden die Bildgebung von ganz kleinen tierischen Gehirnen mit Sub-micrometer Aufl&ouml;sung, potenziell &ouml;ffnen den Weg zum ausgewachsenen Connectomics Forschung aktiviert haben. Einer der ersten solcher Instrumente ganz-Gehirn-Ma&szlig;stab Bildgebung bei Sub-micrometer Aufl&ouml;sung zu erreichen ist die Messerschneiden-Scanning-Mikroskop (KESM). KESM ganze-Gehirn-Datens&auml;tze enthalten jetzt Golgi (neuronale Schaltkreise), Nissl (Soma-Verteilung) und Tusche (vaskul&auml;re Netze). KESM Daten k&ouml;nnen erheblich zur Connectomics Forschung, beitragen, da sie die L&uuml;cke zwischen niedrigere Aufl&ouml;sung, gro&szlig;volumige bildgebenden Verfahren (z. B. Diffusion MRI) und h&ouml;here Aufl&ouml;sung, kleinvolumigen Methoden (z. B. serielle Schneide-Elektronenmikroskopie). Dar&uuml;ber hinaus sind KESM Daten durch ihre Natur Multiscale, von der subzellul&auml;ren bis hin zu der gesamten Orgel-Skala. Aus diesem Grund ist die Visualisierung allein eine gro&szlig;e Herausforderung, bevor wir selbst sorgen &uuml;ber quantitative Konnektivit&auml;t Analyse. Um dieses Problem zu l&ouml;sen, haben wir einen webbasierten Neuroinformatik Rahmen f&uuml;r effiziente Visualisierung und Analyse der Multiskalen KESM Datens&auml;tze entwickelt. In diesem Papier werden wir zuerst geben einen &Uuml;berblick &uuml;ber KESM dann im Detail zu diskutieren, die KESM-Datens&auml;tze und die webbasierte Neuroinformatik-Framework, das den KESM Gehirn-Atlas (KESMBA) aufgerufen wird. Schlie&szlig;lich wird die Relevanz der die KESMBA f&uuml;r Connectomics Forschung zu diskutieren, und Herausforderungen und Zukunftsperspektiven zu identifizieren.

Article	Year
Contour integration and segmentation with self-organized lateral connections. Biological cybernetics\| PubMed ID: 14999474	2004
The role of temporal parameters in a thalamocortical model of analogy. IEEE transactions on neural networks / a publication of the IEEE Neural Networks Council\| PubMed ID: 15484884	2004
A neural model of the scintillating grid illusion: disinhibition and self-inhibition in early vision. Neural computation\| PubMed ID: 16483406	2006
Neural model of disinhibitory interactions in the modified Poggendorff illusion. Biological cybernetics\| PubMed ID: 18038145	2008
Structural systems identification of genetic regulatory networks. Bioinformatics (Oxford, England)\| PubMed ID: 18175769	2008
Dynamical pathway analysis. BMC systems biology\| PubMed ID: 18221557	2008
Extrapolative delay compensation through facilitating synapses and its relation to the flash-lag effect. IEEE transactions on neural networks / a publication of the IEEE Neural Networks Council\| PubMed ID: 18842473	2008
Facilitating neural dynamics for delay compensation: a road to predictive neural dynamics? Neural networks : the official journal of the International Neural Network Society\| PubMed ID: 19376685	2009
Segmentation of Textures Defined on Flat vs. Layered Surfaces using Neural Networks: Comparison of 2D vs. 3D Representations. Neurocomputing\| PubMed ID: 19562098	2007
Fast macro-scale transmission imaging of microvascular networks using KESM. Biomedical optics express\| PubMed ID: 22091443	2011
Multiscale exploration of mouse brain microstructures using the knife-edge scanning microscope brain atlas. Frontiers in neuroinformatics\| PubMed ID: 22275895	2011

Yoonsuck Choe

Biography

JoVE Journal Publications

Other Publications