增强型人工智能追踪移动动物的神经元
最近的进展允许对自由活动的动物体内的神经元进行成像。然而，为了解码电路活动，必须通过计算来识别和跟踪这些成像神经元。当大脑本身在生物体的柔性体内移动和变形时，例如蠕虫，这变得特别具有挑战性。到目前为止，科学界还缺乏解决该问题的工具。
现在，来自洛桑联邦理工学院和哈佛大学的科学家团队开发了一种开创性的人工智能方法来跟踪移动和变形动物体内的神经元。这项研究由洛桑联邦理工学院基础科学学院的Sahand Jamal Rahi领导，现已发表在《自然方法》杂志上。
新方法基于卷积神经网络(CNN)，这是一种经过训练可以识别和理解图像模式的人工智能。这涉及到一个称为“卷积”的过程，它一次查看图片的一小部分(例如边缘、颜色或形状)，然后将所有这些信息组合在一起以理解它并识别对象或图案。
问题在于，为了在动物大脑的电影中识别和跟踪神经元，许多图像必须手动标记，因为由于许多不同的身体变形，动物随着时间的推移表现得非常不同。考虑到动物姿势的多样性，手动生成足够数量的注释来训练 CNN 可能是一项艰巨的任务。
为了解决这个问题，研究人员开发了一种具有“定向增强”功能的增强型 CNN。这项创新技术可以从一组有限的手动注释中自动合成可靠的注释以供参考。结果是，CNN 有效地学习了大脑的内部变形，然后利用它们为新姿势创建注释，从而大大减少了手动注释和双重检查的需要。
新方法用途广泛，能够识别神经元，无论它们在图像中表示为单个点还是 3D 体积。研究人员在秀丽隐杆线虫(Caenorhabditis elegans)身上进行了测试，该线虫拥有 302 个神经元，使其成为神经科学领域流行的模型生物。
使用增强型 CNN，科学家测量了一些蠕虫中间神经元(在神经元之间桥接信号的神经元)的活动。他们发现它们表现出复杂的行为，例如，当暴露于不同的刺激时，例如周期性爆发的气味，它们的反应模式会改变。
该团队已经使他们的 CNN 易于访问，提供了一个用户友好的图形用户界面，集成了有针对性的增强功能，将流程简化为从手动注释到最终校对的综合管道。
Sahand Jamal Rahi 表示：“通过显着减少神经元分割和跟踪所需的手动工作，与完全手动注释相比，新方法将分析吞吐量提高了三倍。” “这一突破有可能加速大脑成像的研究，加深我们对神经回路和行为的理解。”
版权声明：本文由用户上传，如有侵权请联系删除！