Evaluating Touch Based Algorithms for Synapse Detection: A Comparative Study of Snudda, Brain Scaffold Builder, and Line Segment Proximity
2025 (English)Independent thesis Basic level (degree of Bachelor), 10 credits / 15 HE credits
Student 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
2025-08-052025-07-242025-08-05Bibliographically approved