人类几小时,算法几分钟!AI可精确追踪单个神经元活动

杜克大学(Duke University)的生物医学工程师开发出了一种自动化处理方法,可以在短时间内像人类研究人员一样精确地追踪活动神经元的形状。

这项基于人工智能诠释视频图像的新技术,解决了神经元分析中的一个关键障碍,使研究人员能够快速收集和处理神经元信号,进行实时行为研究。

这项研究发表在《PNAS》上。

为了测量神经活动,研究人员通常使用一种被称为双光子钙成像的处理方式,使他们能够记录活体动物大脑中单个神经元的活动。这些记录使研究人员能够追踪哪些神经元正在放电,以及它们如何潜在地对应不同的行为表现。

虽然这些测量结果对行为研究很有用,但在记录中识别单个神经元是一个艰苦的过程。目前,最准确的方法要求人类分析师圈出他们在记录中看到的每一个‘火花’,而这通常需要他们在目标神经元被识别和保存前不断地暂停和回看视频。而使这一过程变得更加复杂的是,研究人员通常只想识别在成像的数千个神经元内的不同层中重叠的一小部分活跃神经元

▲由于神经元彼此之间存在重叠,对其进行单独识别就变得更加复杂(图片来源:《PNAS》)

这个处理过程被称为分段,它既繁琐又缓慢。研究人员可以在30分钟的视频中耗时4-24小时对神经元进行分段,前提是他们在这段时间内全神贯注,不休息,不睡觉,不吃东西,也不上厕所

相比之下,杜克大学生物医学工程的图像处理神经科学研究人员开发的一种新的开源自动化算法可以在几分钟内准确地识别和分割神经元

杜克大学生物医学工程Paul Ruffin Scarborough副教授Sina Farsiu博士说:“作为完成大脑活动地图绘制的关键一步,我们的任务是开发一种快速自动算法,在不同实验环境下对各种活动神经元图像进行分割,其精确度可与人类媲美,这是一项艰巨的挑战。”

论文作者之一、杜克大学生物医学工程助理教授Yiyang Gong博士说:“数据分析神经科学领域已经遇到瓶颈很长一段时间了——数据分析师花费了大量的时间来处理数据,但这种算法可以在20到30分钟内处理一段30分钟的视频。我们还能够推广其性能,如果我们需要从具有不同神经元大小或密度的大脑另一层分割神经元,它同样可以良好地运行。”

▲AI算法对单个神经元的识别结果(图片来源:《PNAS》)

深度学习算法允许研究人员通过多层非线性处理单元快速处理大量数据,这些单元可以被训练来识别复杂图像的不同部分。该团队创建了一个算法,可以处理输入视频中的空间和时间信息。然后他们训练算法来模拟人类分析师的分割,同时提高准确性。

这一进展是神经科学家实时跟踪神经活动的关键一步。由于他们这一工具具有广泛的实用性,团队已经在网上公开了他们的软件和注释数据集。

研究人员已经在使用这种新方法来更密切地研究与小鼠不同行为相关的神经活动。通过更好地了解哪些神经元会因为不同的活动激活,他们希望弄清如何通过操纵大脑活动来改变行为。

研究人员表示,这种经过性能改进的活动神经元检测应该能够提供更多关于神经网络和行为状态的信息,并为神经科学实验的加速进展打开大门。

参考资料:

[1] Artificial intelligence singles out neurons faster than a human can. Retrieved April 16, 2019, from https://www.eurekalert.org/pub_releases/2019-04/du-ais041219.php

[2] Soltanian-Zadeh, et al., (2019). Fast and Robust Active Neuron Segmentation in Two-Photon Calcium Imaging Using Spatio-Temporal Deep-Learning. Proceedings of the National Academy of Sciences, DOI: 10.1073/pnas.1812995116

药明康德AI
药明康德AI

药明康德微信团队专业打造。当人工智能遇上大健康,带你看全AI时代的智慧之光。

专栏二维码
产业杜克大学神经网络深度学习神经元
相关数据
深度学习技术

深度学习(deep learning)是机器学习的分支,是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。 深度学习是机器学习中一种基于对数据进行表征学习的算法,至今已有数种深度学习框架,如卷积神经网络和深度置信网络和递归神经网络等已被应用在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。

数据分析技术

数据分析是一类统计方法,其主要特点是多维性和描述性。有些几何方法有助于揭示不同的数据之间存在的关系,并绘制出统计信息图,以更简洁的解释这些数据中包含的主要信息。其他一些用于收集数据,以便弄清哪些是同质的,从而更好地了解数据。 数据分析可以处理大量数据,并确定这些数据最有用的部分。

人工智能技术

在学术研究领域,人工智能通常指能够感知周围环境并采取行动以实现最优的可能结果的智能体(intelligent agent)

神经科学技术

神经科学,又称神经生物学,是专门研究神经系统的结构、功能、发育、演化、遗传学、生物化学、生理学、药理学及病理学的一门科学。对行为及学习的研究都是神经科学的分支。 对人脑研究是个跨领域的范畴,当中涉及分子层面、细胞层面、神经小组、大型神经系统,如视觉神经系统、脑干、脑皮层。

神经网络技术

(人工)神经网络是一种起源于 20 世纪 50 年代的监督式机器学习模型,那时候研究者构想了「感知器(perceptron)」的想法。这一领域的研究者通常被称为「联结主义者(Connectionist)」,因为这种模型模拟了人脑的功能。神经网络模型通常是通过反向传播算法应用梯度下降训练的。目前神经网络有两大主要类型,它们都是前馈神经网络:卷积神经网络(CNN)和循环神经网络(RNN),其中 RNN 又包含长短期记忆(LSTM)、门控循环单元(GRU)等等。深度学习是一种主要应用于神经网络帮助其取得更好结果的技术。尽管神经网络主要用于监督学习,但也有一些为无监督学习设计的变体,比如自动编码器和生成对抗网络(GAN)。

神经元技术

(人工)神经元是一个类比于生物神经元的数学计算模型,是神经网络的基本组成单元。 对于生物神经网络,每个神经元与其他神经元相连,当它“兴奋”时会向相连的神经元发送化学物质,从而改变这些神经元的电位;神经元的“兴奋”由其电位决定,当它的电位超过一个“阈值”(threshold)便会被激活,亦即“兴奋”。 目前最常见的神经元模型是基于1943年 Warren McCulloch 和 Walter Pitts提出的“M-P 神经元模型”。 在这个模型中,神经元通过带权重的连接接处理来自n个其他神经元的输入信号,其总输入值将与神经元的阈值进行比较,最后通过“激活函数”(activation function)产生神经元的输出。

图像处理技术

图像处理是指对图像进行分析、加工和处理,使其满足视觉、心理或其他要求的技术。 图像处理是信号处理在图像领域上的一个应用。 目前大多数的图像均是以数字形式存储,因而图像处理很多情况下指数字图像处理。

推荐文章
暂无评论
暂无评论~