本文由人工智能观察编译
译者:Sandy
在被称之为连接组学(Connectomics)的研究领域,尝试映射神经系统中的生物网络结构是一个计算密集且繁琐的过程,毕竟人类大脑包含大约亿个神经元,并且一个立方毫米的神经元可以产生超过TB的数据,这是一个极其庞大的规模。
不过,幸运的是,人工智能可以在该领域提供帮助。
在一篇发表在“NatureMethods”杂志上的名为《使用Flood-Filling网络高效自动重建神经元》(High-PrecisionAutomatedReconstructionofNeuronswithFlood-FillingNetworks)的论文里,谷歌和德国马克斯普朗克神经生物学研究所的研究人员开发了一种为连接组学量身定制的基于深度学习的系统,可以自动映射大脑的神经元。
事实上,谷歌的研究人员不是第一个将机器学习应用于连接组学的人。今年3月,英特尔与麻省理工学院的计算机科学和人工智能实验室合作开发了一个“next-gen”脑图像处理流程。不过,谷歌在该论文中展示了一种新型的递归神经网络如何提高自动解析连接组数据的准确性。同时,研究人员还表示,与先前的深度学习技术相比,提高了一个数量级。
研究人员使用了边缘检测器或机器学习分类器找出神经节之间的边界(来自神经元本体的输出),以及一个循环卷积神经网络(递归神经网络的子类别)将扫描中的像素组合在一起并突出显示神经元。
此外,为了保证准确性,该团队还提出了名为“预期运行长度”(ERL)的概念。这是一种测量方法,在大脑的3D图像中给定一个随机的神经元,测量出在该算法跟踪出错前,能够追踪神经元的距离。据了解,研究人员通过ERL方法测量了万立方微米的斑胸草雀大脑扫描图像中的神经元真实数据集,结果表明,新方法比以往使用同样数据集的其他深度学习途径的表现要更好。
除了论文之外,该团队还在Github上发布了所用模型的TensorFlow代码,以及用于可视化数据集和改进重建结果的WebGL3D软件。他们计划在未来完善这一系统,目的是使突触解决过程完全自动化,并“为马克斯普朗克研究所和其他地方的项目做出贡献”。
(文中图片来自网络)
投稿、约访、合作,联系邮箱aiobservation
qq.