Abstract Vasocative-intestinal-peptide (VIP + ) and somatostatin (SST + ) interneurons are involved in modulating barrel cortex activity and perception during active whisking. Here we identify a developmental transition point of structural and functional rearrangements onto these interneurons around the start of active sensation at P14. Using in vivo two-photon Ca 2+ imaging, we find that before P14, both interneuron types respond stronger to a multi-whisker stimulus, whereas after P14 their responses diverge, with VIP + cells losing their multi-whisker preference and SST + neurons enhancing theirs. Additionally, we find that Ca 2+ signaling dynamics increase in precision as the cells and network mature. Rabies virus tracings followed by tissue clearing, as well as photostimulation-coupled electrophysiology reveal that SST + cells receive higher cross-barrel inputs compared to VIP + neurons at both time points. In addition, whereas prior to P14 both cell types receive direct input from the sensory thalamus, after P14 VIP + cells show reduced inputs and SST + cells largely shift to motor-related thalamic nuclei.

In many image segmentation problems involving limited and low-quality data, employing statistical prior information about the shapes of the objects to be segmented can significantly improve the segmentation result. However, defining probability densities in the space of shapes is an open and challenging problem, especially if the object to be segmented comes from a shape density involving multiple modes (classes). Existing techniques in the literature estimate the underlying shape distribution by extending Parzen density estimator to the space of shapes. In these methods, the evolving curve may converge to a shape from a wrong mode of the posterior density when the observed intensities provide very little information about the object boundaries. In such scenarios, employing both shape- and class-dependent discriminative feature priors can aid the segmentation process. Such features may involve, e.g., intensity-based, textural, or geometric information about the objects to be segmented. In this paper, we propose a segmentation algorithm that uses nonparametric joint shape and feature priors constructed by Parzen density estimation. We incorporate the learned joint shape and feature prior distribution into a maximum a posteriori estimation framework for segmentation. The resulting optimization problem is solved using active contours. We present experimental results on a variety of synthetic and real data sets from several fields involving multimodal shape densities. Experimental results demonstrate the potential of the proposed method.

We propose an approach based on Hidden Markov models (HMMs) combined with principal component analysis (PCA) for classification of four-class single trial motor imagery EEG data for brain computer interfacing (BCI) purposes. We extract autoregressive (AR) parameters from EEG data and use PCA to decrease the number of features for better training of HMMs. We present experimental results demonstrating the improvements provided by our approach over an existing HMM-based EEG single trial classification approach as well as over state-of-the-art classification methods.

Microglia play a key role in shaping the formation and refinement of the excitatory network of the brain. However, less is known about whether and how they organize the development of distinct inhibitory networks. We find that microglia are essential for the proper development of somatostatin-positive (SST+) cell synapses during the second postnatal week. We further identify a pair of molecules that act antagonistically to one another in the organization of SST+ cell axonal elaboration. Whereas CX3CL1 acts to suppress axonal growth and complexity, CXCL12 promotes it. Assessing the functional importance of microglia in the development of cortical activity, we find that a whisker stimulation paradigm that drives SST+ cell activation leads to reduced cortical spiking in brains depleted of microglia. Collectively, our data demonstrate an important role of microglia in regulating the development of SST+ cell output early in life.

Abstract Live fluorescence imaging has demonstrated the dynamic nature of dendritic spines, with changes in shape occurring both during development and in response to activity. The structure of a dendritic spine correlates with its functional efficacy. Learning and memory studies have shown that a great deal of the information stored by a neuron is contained in the synapses. High precision tracking of synaptic structures can give hints about the dynamic nature of memory and help us understand how memories evolve both in biological and artificial neural networks. Experiments that aim to investigate the dynamics behind the structural changes of dendritic spines require the collection and analysis of large time-series datasets. In this paper, we present an open-source software called SpineS for automatic longitudinal structural analysis of dendritic spines with additional features for manual intervention to ensure optimal analysis. We have tested the algorithm on in-vitro, in-vivo, and simulated datasets to demonstrate its performance in a wide range of possible experimental scenarios.

In the recent years one of the popular ways for human computer interface (HCI) systems are processing of electrophysiological signals. In this project a computer human interface system has been developed for those who cannot speak or use hands (hemiparesis, quadriplegia or ALS) using electrophysiological genereted by the voluntary contradictions of the muscles around the eye. Eye movements are resposible for the movement of the cursor whereas the signals generated by the succesive blinks of the eye are used for simulating decision making such as mouse clicks. The developed system In the project, a text editor has been developed which is operated using EOG signals.

Shape priors have been successfully used in challenging biomedical imaging problems. However when the shape distribution involves multiple shape classes, leading to a multimodal shape density, effective use of shape priors in segmentation becomes more challenging. In such scenarios, knowing the class of the shape can aid the segmentation process, which is of course unknown a priori. In this paper, we propose a joint classification and segmentation approach for dendritic spine segmentation which infers the class of the spine during segmentation and adapts the remaining segmentation process accordingly. We evaluate our proposed approach on 2-photon microscopy images containing dendritic spines and compare its performance quantitatively to an existing approach based on nonparametric shape priors. Both visual and quantitative results demonstrate the effectiveness of our approach in dendritic spine segmentation.