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和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:“数据分析在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