Automatic identification of phasic dopamine release

Abstract

Resumo: O estudo e análise da liberação de dopamina (DA) no organismo são de grande importância devido ao fato deste neurotransmissor influenciar diretamente processos como os de aprendizado e dependência de drogas, além de ter relação com o desenvolvimento de diversas patologias neurológicas. A técnica de voltametria cíclica de varredura rápida permite o registro eficiente da liberação de DA fásica, entretanto os experimentos tendem a ter uma alta resolução temporal, gerando grandes quantidades de dados, resultando em uma análise manual demorada e repetitiva. O presente trabalho tem por finalidade apresentar e avaliar o desempenho de um sistema de identificação automática de liberação fásica de dopamina, utilizando diferentes descritores de características visuais e modelos de redes neurais convolucionais, combinando diferentes abordagens e classificadores no intuito de aproveitar informações complementares existentes e gerar melhores resultados. Duas bases de dados contendo imagens de liberação fásica de dopamina foram geradas, sendo que o melhor classificador desenvolvido obteve uma acurácia de 98.31% utilizando uma abordagem combinada de redes neurais convolucionais. Palavras-chave: liberação de dopamina fásica, reconhecimento de padrões, textura, redes neurais convolucionais.

Abstract: The study and analysis of dopamine (DA) release in the organism are of great importance due to the fact that this neurotransmitter directly influences processes such as cognition and drug abuse. It is also related to the physiopathology of some neurological diseases. The fast scan cyclic voltammetry technique allows efficient recording of the phasic release of DA. However, due to the high temporal resolution of the technique, the experiments generate large amounts of data, resulting in a slow and repetitive manual analysis. The present work is intended to develop and evaluate the performance of an automatic identification system starting from phasic dopamine release images, using different visual descriptors and convolutional neural network models, combining different approaches and classifiers searching for complementarity to improve the system overall performance. Two phasic dopamine release image datasets were created, and the best developed classifier obtained an accuracy of 98.31% using a combined approach of convolutional neural networks. Keywords: phasic dopamine release, pattern recognition, texture, convolutional neural networks.