來源：news.wsu.edu
作者：Tina Hilding
編譯：劉小芹
【新智元導(dǎo)讀】華盛頓州立大學(xué)姬水旺等人的研究團(tuán)隊(duì)首次提出一種計(jì)算機(jī)算法，在繪制大腦神經(jīng)網(wǎng)絡(luò)方面的準(zhǔn)確度達(dá)到幾乎與人類同等的水平，這是有助于加速用于理解大腦回路的圖像分析的一項(xiàng)突破。相關(guān)論文發(fā)表在《生物信息學(xué)》（Bioinformatics）。
論文地址：https://academic.oup.com/bioinformatics/article-abstract/33/16/2555/3096435/DeepEM3D-approaching-human-level-performance-on-3D
就像繪制1000億個房子
幾十年來，人們一直在努力加深對大腦神經(jīng)回路的了解，但其龐大和復(fù)雜性是一大挑戰(zhàn)。這項(xiàng)研究的主管研究員、WSU電氣工程和計(jì)算機(jī)科學(xué)學(xué)院副教授姬水旺（Shuiwang Ji）說，這就像擁有一張地球的衛(wèi)星圖像，我們要嘗試?yán)L制出地球上的1000億個房子，以及將所有房子連接起來的街道和每個人的目的地。
圖：左邊的2個圖是一小部分大腦組織的原始電子顯微鏡圖像；右邊的兩個圖是計(jì)算機(jī)生成的彩色腦圖，其中不同的顏色代表不同的神經(jīng)元。
實(shí)際上，研究人員花了十多年的時間才完整繪制出一個動物的大腦神經(jīng)回路——一只只有302個神經(jīng)元的線蟲。但是，人類的大腦擁有大約1000億個神經(jīng)元，完全了解其回路所需的數(shù)據(jù)量是1000艾字節(jié)（exabytes），這相當(dāng)于目前世界上所有的數(shù)據(jù)。
繪制神經(jīng)元
為了繪制神經(jīng)元，研究人員當(dāng)前使用的方法是用電子顯微鏡拍照——每張圖像通常只包含很少量的神經(jīng)元。然后，研究人員要研究每個神經(jīng)元的形狀、大小，以及它與附近神經(jīng)元的數(shù)以千計(jì)的連接，目的是了解該神經(jīng)元在行為學(xué)獲生物學(xué)中的作用。
姬水旺說：“我們對大腦如何工作的了解非常少?！?/p>
對大腦回路的了解如此少，這限制了研究人員了解嚴(yán)重腦疾?。ɡ绨柎暮Ｄ?，精神分裂癥，孤獨(dú)癥或帕金森癥?。┌l(fā)病原因的能力。這些疾病目前必須依靠反復(fù)試驗(yàn)和錯誤實(shí)驗(yàn)來尋找治療方法。美國國家工程院已將理解人類大腦列為21世紀(jì)的巨大挑戰(zhàn)之一。
達(dá)到人類水平的準(zhǔn)確度
2013年，麻省理工學(xué)院（MIT）發(fā)起一場比賽，呼吁研究人員開發(fā)能夠加速圖像分析，解碼和理解大腦回路圖的算法。作為比賽的一部分，算法的工作會被與真正的神經(jīng)科學(xué)家團(tuán)隊(duì)的工作進(jìn)行比較。假如計(jì)算機(jī)能夠達(dá)到人類水平的準(zhǔn)確度，那么它們也能夠比人類更快、更便宜地做這類計(jì)算。
WSU的研究團(tuán)隊(duì)開發(fā)了第一個能夠達(dá)到人類水平準(zhǔn)確度的計(jì)算模型。
正如人類通過眼睛接收信息，然后經(jīng)過多個階段對這些信息進(jìn)行分析。WSU的團(tuán)隊(duì)開發(fā)的計(jì)算模型是將圖像作為輸入，然后在一個多層的網(wǎng)絡(luò)中對其進(jìn)行處理，最后得出決策。在他們的算法中，研究人員開發(fā)了一種模擬人類復(fù)雜的生物神經(jīng)網(wǎng)絡(luò)的人工神經(jīng)網(wǎng)絡(luò)。
雖然WSU研究團(tuán)隊(duì)的算法在MIT的挑戰(zhàn)賽中達(dá)到了人類研究團(tuán)隊(duì)水平的準(zhǔn)確度，但是使用計(jì)算機(jī)繪制完整、準(zhǔn)確的神經(jīng)回路圖，仍有許多工作要做。姬先生說，計(jì)算機(jī)在繪制時仍然出現(xiàn)了大量的錯誤，而且比較人工結(jié)果和計(jì)算機(jī)的結(jié)果也沒有一個確定的標(biāo)準(zhǔn)。但姬先生也補(bǔ)充說，盡管自動化的方法在短期內(nèi)完全取代人工可能不現(xiàn)實(shí)，但計(jì)算方法的進(jìn)步肯定能夠減少手工繪制的工作量。
論文：DeepEM3D：接近人類水平的3D各向異性EM圖像分割
摘要
研究動機(jī)：3D電子顯微鏡（EM）成像的進(jìn)展很大地促進(jìn)了高通量數(shù)據(jù)采集中的神經(jīng)科學(xué)研究。相應(yīng)地，高通量自動化圖像分析方法是跟上數(shù)據(jù)產(chǎn)生的速度的工作所必需的。一個例子是用于神經(jīng)元軸突重建的自動化EM圖像分割。但是，當(dāng)前的方法在效率和可靠性上都仍然不及人工水平。
研究結(jié)果：本研究中，我們提出DeepEM3D算法，這是一種用于分割3D各向異性（anisotropic）腦電鏡圖像的深度學(xué)習(xí)方法。在這種方法中，深度學(xué)習(xí)模型可以結(jié)合大量的多尺度語境信息來有效構(gòu)建特征表示。我們提出采用一種新的邊界圖生成方法，以及優(yōu)化的模型集合來解決分割各向異性圖像任務(wù)的挑戰(zhàn)。我們通過參與EM圖像神經(jīng)元突觸3D分割（SNEMI3D）挑戰(zhàn)賽來評估我們的方法。截至2016年10月15日，我們的提交在目前的排行榜中排名第一。更重要的是，我們的結(jié)果與作為評估指標(biāo)的人類研究團(tuán)隊(duì)的水平表現(xiàn)非常接近，即Rand error 為0.06015，人類的表現(xiàn)是0.05998。
圖1：DeepEM3D的架構(gòu)
圖2：產(chǎn)生3D分割的流程
圖3：在對齊良好的圖像堆棧中預(yù)測邊界的示例
圖4：在不對齊的圖像堆棧中預(yù)測邊界的示例
原文：https://news.wsu.edu/2017/08/16/brain-mapping
