Auto Byte

专注未来出行及智能汽车科技

微信扫一扫获取更多资讯

Science AI

关注人工智能与其他前沿技术、基础学科的交叉研究与融合发展

微信扫一扫获取更多资讯

ScienceAI
ScienceAI原创
凯霞作者

机器学习打破「神经元分割 」瓶颈，实现速度兼精度统一

荧光遗传编码的钙指示剂和双光子显微镜技术已在多种动物模型中实现了高速且大规模的记录。生成的成像视频需进行多步分析，最具挑战性的一步是识别活跃神经元（active neurons）的单个空间足迹。现有的自动分割方法难以实现速度兼精度。
近日，美国杜克大学的研究团队开发了一种新方法——浅层U-Net神经元分割(Shallow U-Net Neuron Segmentation, SUNS)，可以更快、更准确地从成像视频中分割出活跃的神经元。该技术可使研究人员实时观察动物的大脑活动。
该研究于5月20日以题为「从实时荧光钙记录中分割神经元 」（Segmentation of neurons from fluorescence calcium recordings beyond real time）发表在《自然·机器智能》（Nature Machine Intelligence）上。
图片
双光子钙成像（two-photon calcium imaging）是研究活体动物神经元活动的方法之一，该过程使活动神经元以光的形式出现。但这种方法分析五分钟的视频可能要花费几周甚至几个月的时间。
两类自动分割方法
在过去十年中，计算神经元分割方法的速度和准确性不断提高。目前，算法在准确性可以逼近人类贴标机（human labellers），但在速度上胜过人类。
现有的自动分割方法主要分为两类：一类算法主要处理2D摘要图像（summary images），而另一类主要处理3D视频。
第一类神经元分割算法处理少量2D摘要图像集。这些图像使用均值、最大值、相关性或这些量的组合表示整个视频的时间。总体而言，处理2D摘要图像的算法会牺牲准确性与速度。这些算法速度快，但无法准确地分离重叠的神经元。第二类算法通过处理帧块并同时分析神经元的空间特征和神经活动的时间动态来准确识别活动神经元。相比第一类算法，分割更准确，但速度较慢。
该论文的主要作者Yiyang Gong说：「人们试图通过记录动物神经元的活动来弄清其大脑的是如何工作的，以研究两者之间的关系。但手动分割有很大的瓶颈，研究人员不能实时查看神经元的激活情况。」
生物医学工程学副教授Gong和生物医学工程学教授Sina Farsiu此前曾在2019年的一篇论文中解决了这一瓶颈[1]，他们开发了深度学习平台，该平台可以在很短时间内上像人类一样准确地映射活跃的神经元。但由于视频只有几十GB，研究人员仍需要等待数小时或数天才能对其进行处理。 
现在，该研究团队通过创建SUNS——一种基于CNN的新方法，从双光子钙成像数据中分割活动神经元来克服速度精度的取舍。

该方法在四个方面优于现有算法：

  • 比其它现有的自动方法更准确，并且与人类贴标机相当。
  • 比单台计算机上处理3D时空视频的现有方法快得多。
  • 以较少的样本进行训练，达到了较高的检测性能。
  • 概括了不同大脑区域和成像条件下的高性能。
SUNS批处理算法
同时提高准确性和速度的前提取决于两个命题：（1）结合视频中的时间信息可以提高准确性；（2）简化神经网络架构将大大提高速度。
满足了以上两个标准，SUNS批处理算法（简称SUNS）通过将荧光记录作为一系列2D图像进行操作。
具体操作步骤：首先，在预处理模块中合并时间信息，使每个帧中活动神经元的信噪比（signal-to-noise ratio, SNR）最大化。通过使用时间滤波和增白将时间信息合并到每个2D图像中，对2D输入执行空间分割来提高神经元分割速度。然后，使用浅层U-Net处理SNR视频的每个帧内的空间信息。浅层U-Net的输出是一个概率图，可预测每个像素是否来自活动神经元。最后，后处理模块从概率图中分割并收集神经元。该模块对概率图进行阈值化，将每帧的活跃像素分组到代表神经元的连接区域中，并将所有帧中位置相似的神经元合并到唯一的分割区域中。
图片SUNS算法示意图。（a）SUNS的总体结构；（b）预处理；（c）CNN推断；（d）后处理。（来源：论文）
SUNS可准确、快速地从艾伦大脑天文台（Allen Brain Observatory, ABO）数据集中分割神经元。
首先评估了方法的性能，通过在之前方法中使用的ABO的同一组视频和手动标签上进行了缺一交叉验证。与其它对等神经元分割算法相比，SUNS更准确、更快。
图片在ABO数据集上，SUNS在精度和速度上都优于现有的神经元分割算法。（来源：论文）
在线版本——SUNS online
由于该工具在神经科学实验中的有效性，因此，该小组研究人员还开发了一个在线版本（SUNS online），用于逐帧处理成像视频以跟踪神经元出现。此功能对于执行上述实时反馈实验至关重要。
图片SUNS online技术，无需启用「跟踪」选项（左）和启用「跟踪」选项（右）。（来源：论文）
SUNS在线过程分为两个阶段：首先是在少量的初始帧上进行初始化，然后逐个处理后面的帧。
它的实现与SUNS批处理有所不同，因为使用的预处理模块和后处理模块（方法）略有不同。在线预处理模块在白化所需一组初始帧中计算信号和噪声参数，而批处理预处理模块在整个视频中计算等效参数；在线后处理模块重复更新了一组蒙版，以包括新激活的神经元，而批处理后处理模块则汇总了整个视频中的所有蒙版。 
SUNS online也可以准确、快速地从ABO数据集中分割神经元。
使用相同的ABO数据集评估了SUNS在线性能，并将该方法与其对等算法CaImAn online[2]进行了比较。SUNS Online比CaImAn Online更准确、更快。使用batch训练得到的CNN模型和超参数进行在线训练的SUNS的准确率高于在线预处理和后处理管道中独立训练得到模型。因此，SUNS online可以使用批处理版本的参数，而无需再训练，从而可以实现在新数据集上进行实时实验。
除了更高的准确性外，在ABO 数据集上，在线SUNS也比在线CaImAn快得多。SUNS online在单台台式计算机上以每秒1, 177帧的速度在线处理ABO视频，平均速度比视频的记录帧速率快许多倍。SUNS在线处理每帧的速度都比成像速率快，大部分帧的处理时间一致在9ms左右。
图片SUNS Online比CaImAn Online快。（来源：论文）
可进一步优化
不过，SUNS的在线版本在准确性和速度上均不如批处理版本。未来改进计算机内存和图形内存之间的硬件数据传输机制以及基于矩阵的计算的软件执行机制，将有可能帮助SUNS在线执行接近SUNS批处理速度的性能。
Gong说：「我们的网络速度可以让我们在实验过程中学习东西，而不必等到实验结束。我们现在具有探索不同刺激方式如何影响神经元激活和动物行为的新潜力。」
该团队已经在探索新的方法来继续改进其工具以得到更广泛地使用。
Gong补充说：「该算法可以进一步的优化。我们已经证明这对于双光子钙成像确实非常有效，但是神经科学中有很多不同的光学显微镜，最终我们希望创建一个适用于所有这些成像方式的神经网络。」
理论神经元分割机器学习
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。

来源：LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. nature, 521(7553), 436.
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。

来源：Overview of Artificial Neural Networks and its Applications. (2018). medium.com.
推荐文章
登录后评论
暂无评论
暂无评论~
返回顶部