机器学习新突破:Google 研究人员利用 AI 自动重构大脑神经元

发布时间:2020-07-17

机器学习新突破:Google 研究人员利用 AI 自动重构大脑神经元

近日,Google 与马克斯‧普朗克神经生物学研究所合作,在《Nature Methods》发表了一篇重磅论文,使用迴圈神经网路演算法自动重构神经元连接组,不仅可对连接组做高解析度的可视化成像,且準确度提高一个量级,为连接组学的研究带来新突破。

在神经系统绘製神经网路架构──是称为「连接组学」(connectomics)的研究领域──无疑属于计算密集型。

人类大脑约有 860 亿个透过 100 万亿个突触连接的神经元,成像一个立方公厘大的大脑组织,就可生成超过 1,000TB 的资料(10 亿张照片)。

据《连接组:造就独一无二的你》(Connectome: How the Brain’s Wiring Makes Us Who We Are,暂译)这本书介绍,连接组学是透过分析神经元之间的连线和组织方式,分析大脑执行机制的终极目的学科。连接主义认为大脑的工作机制就在神经元的连接。如果两个神经元之间有一个突触交会点,那幺这两个神经元就是「有连接」。透过突触,一个神经元可把资讯传递给另一个神经元。

机器学习新突破:Google 研究人员利用 AI 自动重构大脑神经元

 神经元结构。

AI 助力神经元连接组可视化成像,準确度提高一个量级

为了看到连接组,科学家经历了各种探索。比较常用的是帮大脑组织染色,然后用电子显微镜观察大脑切片,以此获得神经元连接的大量局部具体资讯,再聚在一起构成大脑整个神经网路资讯,但具体作业要克服许多困难,耗费大量人力物力。第二种是透过 MRI(核磁共振)观测活体大脑,但解析度较低,只有公厘级。

如果我们能将大脑突触连接的资讯和连接组资讯进行高解析度的可视化成像,那幺一个人大脑是否受损就能一目了然,针对性治疗一些高难度的脑部疾病都将成为可能。

7 月 16 日,发表于《Nature Methods》杂誌的《利用泛洪网路对神经元进行高精度自动重构》(High-Precision Automated Reconstruction of Neurons with Flood-Filling Networks)论文,Google 和马克斯‧普朗克神经生物学研究所(Max Planck Institute of Neurobiology)的科学家展示一种迴圈神经网路演算法(常用于手写和语音辨识的机器学习演算法),是专为连接组学分析量身定做。

Google 研究人员并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电脑科学和人工智慧实验室合作,开发「下一代」大脑影像处理系统。但 Google 声称,他们的模型比英特尔等企业发表的深度学习技术,準确性提高了一个量级。

机器学习新突破:Google 研究人员利用 AI 自动重构大脑神经元

 Google 演算法在鸣禽大脑追蹤一个 3D 神经突触。

利用泛洪网路(Flood-Filling Networks)演算法分割三维影像

用大型电子显微镜资料追蹤神经网路是影像分割的常用方法。传统演算法将这过程划分为至少两步骤:使用边缘侦测器或机器学习分类器找到神经网路之间的界线,然后使用 watershed 或 graph cut 等演算法分组未被界线分割的影像像素。

2015 年,研究人员开始尝试一种基于递迴神经网路的替代方案,将这两步结合起来。该演算法在一个特定的像素定点,然后使用迴圈卷积神经网路更新「填补」一个区域,神经网路可预测哪些像素与初始像素相同。

机器学习新突破:Google 研究人员利用 AI 自动重构大脑神经元

 在 2D 分割物件的 Flood-Filling 网路。

设定预期执行长度测量準确性

自 2015 年以来,研究人员一直致力于将这种新方法应用于大型连接组资料集,并严格量化準确性。

为了检验準确性,研究小组设定了「预期执行长度」(ERL)指标,在大脑 3D 影像随机抽取神经元并追蹤,然后测量演算法出错前追蹤神经元的距离。

机器学习新突破:Google 研究人员利用 AI 自动重构大脑神经元

 蓝线表示使用 ERL 测量的结果;红线表示「合併率」,即两个独立的神经元误认为一个目标追蹤的频率。

研究小组报告说,扫描 100 万立方微米的斑胸草雀大脑脑部,并用 ERL 测量后,模型的表现比之前演算法「好多了」。

 利用泛洪网路演算法自动重构斑胸草雀大脑神经元。

「这些自动化产生的结果结合少量人力投入,就可消除剩余误差,马克斯‧普朗克研究所的研究人员现在可以研究鸣禽连接组,进而获得新发现,如斑胸草雀如何唱歌,又是如何学习唱歌」,这篇论文的作者 Viren Jain 和 Michal Januszewski 在部落格写道。

除了论文,团队还在 Github 发表模型的 TensorFlow 程式码,以及他们用来做资料库可视化和改进重构结果的 WebGL 3D 软体。他们计画在未来改进系统,以使突触分析过程完全自动化,并「为马克斯‧普朗克研究所和其他机构的项目提供帮助」。

上一篇: 下一篇:

相关搜索