近日，谷歌與馬克斯·普朗克神經(jīng)生物學(xué)研究所合作，在《Nature Methods》上發(fā)表了一篇重磅論文，使用一種循環(huán)神經(jīng)網(wǎng)絡(luò)算法對(duì)神經(jīng)元連接組進(jìn)行自動(dòng)重構(gòu)，不僅可以對(duì)連接組進(jìn)行高分辨率的可視化成像，而且準(zhǔn)確度提高了一個(gè)數(shù)量級(jí)，為連接組學(xué)的研究帶來(lái)了新的突破。

在神經(jīng)系統(tǒng)中繪制神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)——這是一個(gè)被稱為「連接組學(xué)」的研究領(lǐng)域——無(wú)疑是計(jì)算密集型的。

人類的大腦中有大約860億個(gè)通過(guò)100萬(wàn)億個(gè)突觸連接起來(lái)的神經(jīng)元，而對(duì)一個(gè)立方毫米的大腦組織進(jìn)行成像，就可以生成超過(guò)1000TB的數(shù)據(jù)(10億張照片)。

據(jù)《連接組：造就獨(dú)一無(wú)二的你》這本書中介紹，連接組學(xué)主要是通過(guò)分析神經(jīng)元之間的連接和組織方式來(lái)達(dá)到分析大腦的運(yùn)行機(jī)制這一終極目的的一門學(xué)科。連接主義認(rèn)為大腦的工作機(jī)制就蘊(yùn)含在神經(jīng)元的連接中。如果兩個(gè)神經(jīng)元之間，有一個(gè)突觸交會(huì)點(diǎn)，那么這兩個(gè)神經(jīng)元就是“有連接的”。通過(guò)突觸，一個(gè)神經(jīng)元可以把信息傳遞給另一個(gè)神經(jīng)元。

 

 

神經(jīng)元的結(jié)構(gòu)

AI助力神經(jīng)元連接組可視化成像，準(zhǔn)確度提高一個(gè)數(shù)量級(jí)

為了看到連接組，科學(xué)家們經(jīng)歷了各種探索。比較常用的是給大腦組織染色，然后用電子顯微鏡來(lái)觀察大腦切片，以此獲得神經(jīng)元連接的大量局部具體信息，再聚合在一起構(gòu)成大腦的整個(gè)神經(jīng)網(wǎng)絡(luò)信息，但是在具體操作過(guò)程中要克服許多困難，耗費(fèi)大量的人力物力。第二種是通過(guò)MRI(核磁共振)的方法對(duì)活體大腦進(jìn)行觀測(cè)，但是分辨率較低，只有毫米級(jí)。

如果我們能將大腦中突觸連接的信息和連接組信息進(jìn)行高分辨率的可視化成像，那么一個(gè)人大腦是否受損就可以一目了然，對(duì)一些高難度的腦部疾病進(jìn)行有針對(duì)性的治療將成為可能。

7月16日，在發(fā)表于《Nature Methods》雜志上的一篇名為《利用泛洪網(wǎng)絡(luò)對(duì)神經(jīng)元進(jìn)行高精度的自動(dòng)重構(gòu)》(High-Precision Automated Reconstruction of Neurons with Flood-Filling Networks)的論文中，谷歌和馬克斯·普朗克神經(jīng)生物學(xué)研究所(Max Planck Institute of Neurobiology)的科學(xué)家們展示了一種循環(huán)神經(jīng)網(wǎng)絡(luò)算法(常用于手寫和語(yǔ)音識(shí)別的機(jī)器學(xué)習(xí)算法)，專為連接組學(xué)分析量身定做。

谷歌的研究人員并不是第一個(gè)將機(jī)器學(xué)習(xí)應(yīng)用于連接組學(xué)的人。今年3月，英特爾與麻省理工學(xué)院的計(jì)算機(jī)科學(xué)和人工智能實(shí)驗(yàn)室合作，開發(fā)了“下一代”大腦圖像處理系統(tǒng)。但谷歌聲稱，他們的模型比以往包括英特爾在內(nèi)的企業(yè)發(fā)布的深度學(xué)習(xí)技術(shù)在準(zhǔn)確性上提高了一個(gè)數(shù)量級(jí)。

 

 

谷歌的算法在鳴禽大腦中追蹤一個(gè)3D的神經(jīng)突觸

利用泛洪網(wǎng)絡(luò)(Flood-Filling Networks)算法進(jìn)行三維圖像分割

在大型電子顯微鏡數(shù)據(jù)中跟蹤神經(jīng)網(wǎng)絡(luò)是圖像分割的常用方法。傳統(tǒng)的算法將這一過(guò)程劃分為至少兩個(gè)步驟:使用邊緣檢測(cè)器或機(jī)器學(xué)習(xí)分類器找到神經(jīng)網(wǎng)絡(luò)之間的邊界，然后使用 watershed 或 graph cut 等算法將未被邊界分割的圖像像素進(jìn)行分組。

2015年，研究人員開始嘗試一種基于遞歸神經(jīng)網(wǎng)絡(luò)的替代方法，將這兩步結(jié)合起來(lái)。該算法在一個(gè)特定的像素點(diǎn)上定點(diǎn)，然后使用循環(huán)卷積神經(jīng)網(wǎng)絡(luò)迭代“填充”一個(gè)區(qū)域，該神經(jīng)網(wǎng)絡(luò)可以預(yù)測(cè)哪些像素與初始像素相同。

 

 

在2D中分割對(duì)象的Flood-Filling網(wǎng)絡(luò)

設(shè)定預(yù)期運(yùn)行長(zhǎng)度測(cè)量準(zhǔn)確性

自2015年以來(lái)，研究人員一直致力于將這種新方法應(yīng)用于大型連接組數(shù)據(jù)集，并嚴(yán)格量化其準(zhǔn)確性。

為了檢驗(yàn)準(zhǔn)確性，研究小組設(shè)定了“預(yù)期運(yùn)行長(zhǎng)度”(ERL)這一指標(biāo)，在大腦的3D圖像中隨機(jī)抽取神經(jīng)元并進(jìn)行跟蹤，然后測(cè)量算法在出錯(cuò)前跟蹤神經(jīng)元的距離。

 

 

注：藍(lán)線表示使用ERL測(cè)量的結(jié)果;紅線表示“合并率”，即兩個(gè)獨(dú)立的神經(jīng)元被誤認(rèn)為一個(gè)目標(biāo)進(jìn)行跟蹤的頻率

研究小組報(bào)告說(shuō)，在對(duì)100萬(wàn)立方微米的斑胸草雀大腦進(jìn)行腦部掃描，并用 ERL 進(jìn)行測(cè)量后，該模型的表現(xiàn)比之前的算法“要好得多”。

 

 

利用泛洪網(wǎng)絡(luò)算法自動(dòng)重構(gòu)斑胸草雀大腦神經(jīng)元

“這些自動(dòng)化產(chǎn)生的結(jié)果結(jié)合少量的額外人力投入就可以消除剩余誤差,馬克斯普朗克研究所的研究人員現(xiàn)在可以研究鳴禽連接組，從而獲得新的深入了解，如斑胸草雀如何唱歌，如何學(xué)習(xí)唱歌”，這篇論文的作者Viren Jain 和 Michal Januszewski在一篇博客文章中寫道。

除了論文之外，團(tuán)隊(duì)還在Github上發(fā)布了模型的TensorFlow代碼，以及他們用來(lái)進(jìn)行數(shù)據(jù)集可視化和改進(jìn)重構(gòu)結(jié)果的WebGL 3D軟件。他們計(jì)劃在未來(lái)改進(jìn)這個(gè)系統(tǒng)，以使突觸解析過(guò)程完全自動(dòng)化，并“為馬克斯·普朗克研究所和其他機(jī)構(gòu)的項(xiàng)目提供幫助”。

via:venturebeat;googleblog;nature

標(biāo)簽： Google 代碼 谷歌 網(wǎng)絡(luò)

版權(quán)申明：本站文章部分自網(wǎng)絡(luò)，如有侵權(quán)，請(qǐng)聯(lián)系：west999com@outlook.com
特別注意：本站所有轉(zhuǎn)載文章言論不代表本站觀點(diǎn)！
本站所提供的圖片等素材，版權(quán)歸原作者所有，如需使用，請(qǐng)與原作者聯(lián)系。