An ongoing problem regarding the automatic classification of neurons by their morphology is the lack of consensus between experts on neuron types. Unsupervised clustering using persistent homology as a descriptor for the morphology of neurons helps tackle the problem of bias in feature selection and has the potential of aiding neuroscience research in developing a framework for automatic neuron classification. This thesis investigates how two different unsupervised machine learning algorithms would cluster persistence images of already labeled neurons and how similar their clusterings would be. The results showed that the clusterings done by both methods were highly similar and that there was a large variation within the neuronal types defined by experts. / Ett pågående problem gällande den automatiska klassificeringen av neuroner med avseende på morfologi är bristen på konsensus bland experter vad gäller neurontyper. Oövervakad klusteranalys med persistent homologi som en deskriptor för neuroners morfologi hjälper lösa problemet med partiskhet inom egenskapsurval och kan potentiellt gynna neurovetenskapen i utvecklingen av ett ramverk för automatisk klassificering av neuroner. Denna uppsats hade som mål att undersöka hur två olika oövervakade maskininlärningsalgoritmer klassificerar persistensbilder av tidigare klassificerade neuroner samt graden av överensstämmelse mellan de två metoderna. Studiens resultat visade att båda metoders resultat hade en hög grad av överensstämmelse och visade även på en stor variation inom de klasser av neuroner som redan definierats av experter.
Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:kth-279976 |
Date | January 2020 |
Creators | Chowdhury, Sabrina, Kina, Added |
Publisher | KTH, Skolan för elektroteknik och datavetenskap (EECS) |
Source Sets | DiVA Archive at Upsalla University |
Language | English |
Detected Language | English |
Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
Format | application/pdf |
Rights | info:eu-repo/semantics/openAccess |
Relation | TRITA-EECS-EX ; 2020:339 |
Page generated in 0.0017 seconds