GoogleAI自動重構3D大腦 7天完成人類10萬小時標註任務

2018-07-18 科技 358 Views

尋夢新聞LINE@每日推播熱門推薦文章，趣聞不漏接❤️

映射神經系統的生物網路結構屬於計算密集型的連接組學（Connectomics）研究范疇。人腦包含大約860億個通過100億個突觸聯網的神經元，對單個立方毫米神經元進行成像可以產生超過1000TB的數據。

幸運的是，AI可以提供幫助。

Google研究人員表示，發表在《Nature Methods》上的新論文《High-Precision automated reconstruction of neurons with flood-filling networks》可能將有助於神經科學家更好地理解大腦的結構及其功能。Google和德國研究中心馬克斯普朗克研究所（ Max Planck Institute)合作開展了該研究項目。

就像米開朗基羅工作室裡的一塊大理石一樣，神經元的真實形態被困在所有周圍空間和其他糾纏神經元的數據中。神經科學家必須手動查看圖像，識別神經元切片，並指定計算機中的每一個變成3D模型。Google可能，每個樣品都是只有1毫米的立方體，完成對全部樣品的標註需要10萬小時。然而他們所研發的AI經過七天訓練，就能完成相同的任務。

傳統算法在追蹤神經節的過程中，使用邊緣檢測算法識別神經節之間的邊界，然後使用wateshed或graph cut等算法將未被邊界分割的圖像像素組合在一起。Google和馬克斯普朗克研究所的研究人員則提出了一種模擬生成神經網路的「floor-filling Networks」模型，將兩個步驟結合起來，新算法從特定像素位置開始生長，並使用循環卷積神經網路（Recurrent convolutionalneural network，RCNN）不斷填充一個區域，進而預測哪些像素和初始像素屬於同一物體。

Google研究人員不是第一個將機器學習應用於連通組學的人，早在今年三月，英特爾與麻省理工學院計算機科學和人工智能實驗室就合作開發了新一代腦圖像處理管道。不過Google研究人員表示，他們的算法比以前的深度學習技術準確度提高一個數量級。該論文的共同作者Viren Jain表示，這個項目的突破在於教AI一次追蹤一個神經元結構，而不是試圖同時追蹤每個神經元。

為了嚴格量化準確性，該團隊提出了「預期運行長度（ERL）」的測量概念：在大腦的3D圖像中給定一個隨機神經元，測量算法在出錯之前可以跟蹤神經元在多遠的距離。據研究團隊稱，在對100萬立方微米的斑胸草雀進行腦部掃描時，該模型的表現比以前使用相同數據集的其他深度學習算法「好得多」。