Digitala Vetenskapliga Arkivet

Change search
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf
Evaluating Touch Based Algorithms for Synapse Detection: A Comparative Study of Snudda, Brain Scaffold Builder, and Line Segment Proximity
KTH, School of Electrical Engineering and Computer Science (EECS).
KTH, School of Electrical Engineering and Computer Science (EECS).
2025 (English)Independent thesis Basic level (degree of Bachelor), 10 credits / 15 HE creditsStudent thesisAlternative title
Utvärdering av Algoritmer för Synapsdetektion : En Jämförande Studie av Snudda, Brain scaffold builder och Närliggande Linjesegment (Swedish)
Abstract [en]

Accurate detection of synaptic connections in simulated networks of neurons is vital for realistic brain modeling. This study evaluates and compares three methods for synapse detection: Snudda, Brain Scaffold Builder (BSB), and a Line Segment Proximity (LSP) approach. While Snudda and BSB utilize voxel-based heuristics to detect appositions between neurons, LSP is a mathematically accurate method based on the spatial proximity of neural line segments. The study measures the distance- dependent connection probability and assesses the quality of curve fits (Gaussian, logistic, and polynomial) to model synaptic connectivity. Results show that Snudda closely approximates LSP, suggesting high accuracy despite using heuristic methods. However, BSB consistently predicts higher connection probabilities. Statistical analysis indicates that a logistic function generally provides a better fit than Gaussian for BSB, while there is no statistical significance between the two functions for Snudda and LSP. The polynomial was shown to be the best fit for all methods but this result should be interpreted with caution due to a high risk of overfitting.

Abstract [sv]

Identifiering av synapser i simulerade nätverk av neuroner är avgörande för skapandet av realistiska simulationer av hjärnan. Denna studie utvärderar och jämför tre metoder för att finna synapser: Snudda, Brain Scaffold Builder (BSB) och Line Segment Proximity (LSP). Medan Snudda och BSB använder voxel-baserade heuristiker för att upptäcka närliggande neuroner, är LSP en matematisk korrekt metod baserad på avståndet mellan neurala linjesegment. Studien mäter sannolikheten för sammankoppling baserat på avståndet mellan två neuroner, och bedömer kvaliteten på kurvanpassningar (gaussisk, logistisk och polynom) för att modellera synaptisk konnektivitet. Resultatet visar att Snudda väl approximerar LSP, vilket antyder hög noggrannhet hos Snudda trots dess användning av heuristiska metoder. BSB visar däremot konsekvent högre sannolikheter för en synaptisk koppling. Statistisk analys indikerar att för BSB så är den logistiska funktionen en generellt bättre anpassning än den gaussiska. Däremot visades ingen signifikant skillnad mellan den gaussiska och logistiska funktionen för Snudda och LSP. Polynom-modellen visade sig ge bäst anpassning för samtliga metoder, men denna slutsats bör tolkas med försiktighet på grund av hög risk för överanpassning.

Place, publisher, year, edition, pages
2025. , p. 25
Series
TRITA-EECS-EX ; 2025:269
National Category
Computer and Information Sciences
Identifiers
URN: urn:nbn:se:kth:diva-367550OAI: oai:DiVA.org:kth-367550DiVA, id: diva2:1985433
Supervisors
Examiners
Available from: 2025-08-05 Created: 2025-07-24 Last updated: 2025-08-05Bibliographically approved

Open Access in DiVA

fulltext(1317 kB)121 downloads
File information
File name FULLTEXT01.pdfFile size 1317 kBChecksum SHA-512
8002baebe33ccf94670873b73fd66e1d892afda6df31053e657e6297c68fe23ecbf88ced77c8c49c715cbb33acd24d7f80ae710d0cf49f5cf1bafff261c201b7
Type fulltextMimetype application/pdf

By organisation
School of Electrical Engineering and Computer Science (EECS)
Computer and Information Sciences

Search outside of DiVA

GoogleGoogle Scholar
Total: 124 downloads
The number of downloads is the sum of all downloads of full texts. It may include eg previous versions that are now no longer available

urn-nbn

Altmetric score

urn-nbn
Total: 470 hits
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf