A Comparison of Neuron Touch Detection Algorithms Snudda and Brain Scaffold Builder
2024 (English)Independent thesis Basic level (degree of Bachelor), 10 credits / 15 HE credits
Student thesisAlternative title
En jämförelse av algoritmer för detektion av synapser: Snudda och Brain Scaffold Builder (Swedish)
Abstract [en]
This study presents a comparative analysis of two neuron touch detection algorithms, Brain Scaffold Builder (BSB) and Snudda, within the context of neuronal modeling. Neuron touch detection is critical for accurately mapping synaptic connections, a fundamental aspect of brain simulation and understanding neuronal circuits. By evaluating these algorithms on parameters such as synapse detection accuracy and runtime efficiency across different network sizes, we aimed to determine their limitations and strengths. Our findings indicate that Snudda have superior performance in terms of runtime to that of BSB. It was also found that Snudda detected more synapses than BSB, but to more precisely determine the accuracy this study highlights the need for future work. Furthermore, future work including a larger range of network sizes and the use of real anatomical data when constructing networks could aid in gaining more knowledge on this topic.
Abstract [sv]
Den här studien presenterar en jämförelseanalys av två nervcells-beröring-detektionsalgoritmer, Brain Scaffold Builder (BSB) och Snudda, i sammanhanget av neuromodellering. Nervcells-beröringsdetektion är kritiskt för att noggrant kartlägga synapser, en grundläggande aspekt av hjärnsimulering och för att få förståelse för nervcellsnätverk. Genom att utvärdera dessa algoritmer utifrån parametrar som körtidseffektivitet och noggrannheten på detektionen av synapser över olika storlekar på nätverk, syftar vi till att fastställa deras styrkor och svagheter. Resultaten visar att Snudda presterar bättre med hänsyn på körtidseffektivitet jämfört med BSB. Det visades även att Snudda fann fler synapser än BSB, men att det skulle krävas fler studier för att mer exakt bedöma träffsäkerheten hos algoritmerna. Vidare poängteras behovet av studier baserade på ett större spann av nätverksstorlekar och nätverk gjorda på verklig anatomisk data för att förbättra kunskapen inom området.
Place, publisher, year, edition, pages
2024. , p. 18
Series
TRITA-EECS-EX ; 2024:312
Keywords [en]
neuron touch detection, Brain Scaffold Builder (BSB), Snudda, synapse detection, neuronal modeling, brain simulation, algorithm comparison, runtime efficiency, synaptic connections, computational neuroscience
Keywords [sv]
nervcells-beröringsdetektion, Brain Scaffold Builder (BSB), Snudda, synapsdetektion, neuronmodellering, hjärnsimulering, algoritmjämförelse, körningseffektivitet, synaptiska kopplingar, beräkningsneurologi
National Category
Computer and Information Sciences
Identifiers
URN: urn:nbn:se:kth:diva-350942OAI: oai:DiVA.org:kth-350942DiVA, id: diva2:1885522
Supervisors
Examiners
2024-08-202024-07-232024-08-20Bibliographically approved