Duke Üniversitesi, nöronları tanımlamak için AI kullanıyor ve 24 saatlik çalışmayı otomatik olarak tamamlamak için 30 dakikaya dönüştürüyor
Amerika Birleşik Devletleri'ndeki Duke Üniversitesi'ndeki biyomühendisler, yakın zamanda, profesyonellerin ihtiyaç duyduğu heyecan sinir tanımlama görevlerini on saatten daha uzun süre on saatten on dakikaya kadar azaltan ve doğruluğu garantileyen Convolutional Neural Networks'e (CNN) dayalı otomatik bir yöntem icat etti. , Bu sinirbilim alanında büyük bir destek olacak.
Yapay zekaya dayalı bu yeni teknoloji, nöron araştırması alanındaki önemli bir darboğaz sorununu çözüyor. Duke Üniversitesi Biyomedikal Mühendisliği Okulu'nda profesör olan ve makalenin yazarlarından biri olan Sain Farsiu, şu yorumda bulundu: "Bu, beyin aktivitesinin (görüntülerin) tam olarak işlenmesini sağlamak için gereklidir. Bunu yapabilen bir sistem geliştirmek istiyoruz. Benzer insan doğruluğunu sağlayabilen hızlı ve otomatik bir nöron etiketleme yöntemi çok zorlu bir iştir. "
Makalenin ilk yazarı ve Duke Üniversitesi Tıp Mühendisliği Fakültesi'nde doktora öğrencisi olan Somayyeh Soltanian-Zadeh şunları söyledi: "Metodumuz derin bir öğrenme modeline dayanıyor. Bu sadece hızlı değil, aynı zamanda iki fotonda insan uzmanlara da ulaşabiliyor (hatta geçebiliyor). Videodaki uyarılmış nöronların işaretlenme düzeyi. "
Davranışsal Sinirbilim alanında, bilim adamları beyin sinir hücreleri düzeyinde hayvan bilişsel, duygusal ve motor işlevlerinin belirli mekanizmalarını araştırıyorlar. Bu, şizofreni ve Alzheimer hastalığı gibi belirli nörolojik ve psikolojik hastalıkların mekanizmasını anlamak için çok önemlidir.
Hücre biyolojisinin geleneksel araştırma yöntemi, in vitro olarak kültürlenen hücreleri gözlemlemektir. Ancak beyin nöronları için bu yaklaşım işe yaramaz çünkü sinir hücrelerinin düzgün çalışması için canlı beyin ortamında olması gerekir. Bu nedenle, canlı hayvanların beynindeki nöronları hücrelere zarar vermeden gerçek zamanlı olarak taramak ve görüntülemek için foton penetrasyonu prensibini kullanan iki fotonlu görüntüleme teknolojisi (İki fotonlu Görüntüleme) doğdu.
Şekil | İki fotonlu mikroskop çalışmasının şematik diyagramı, iki fotonlu (kalsiyum iyonu) görüntülemenin ekran görüntüsü (Kaynak: Takaki Komiyama / California Üniversitesi, San Diego)
Olgun görüntüleme teknolojileri olmasına rağmen, filmdeki tek tek nöronları etiketlemek zor bir iştir. Tıpkı bir filmdeki gibi, bir karakterin konumunu ve aktivitelerini takip etmeniz gerekiyor. Mevcut yaygın olarak kullanılan yöntem, görülen her uyarıcı nöronu manuel olarak daire içine almaktır. Sorun şu ki, bir resimde genellikle binlerce hücre var, onları doğru bir şekilde tanımlamak istiyorsanız, filmi yalnızca tekrar tekrar izleyebilirsiniz. 30 dakikalık bir video görüntüsünü işlemek için, profesyonel bir analistin genellikle yemek yemeden veya içmeden 4 ila 24 saat boyunca sürekli çalışması gerekir. Farklı bölgelerdeki hücrelerin üst üste gelmesi, tanımlama zorluğunu daha da artıracaktır.
Bununla birlikte, Duke Üniversitesi Biyomedikal Mühendisliği ekibi tarafından icat edilen heyecan verici nöron etiketleme yöntemi, yukarıdaki çalışmayı sadece onlarca dakika içinde tamamlayabilir ve etiketleme doğruluğu, profesyonel analistlerinki ile karşılaştırılabilir. Bu yeni yöntem, Proceedings of the National Academy of Sciences'da (PNAS) yayınlandı.
Bu yeni yapay zeka heyecan verici nöron etiketleme yöntemleri seti üç bölümden oluşuyor. Birincisi, iki fotonlu görüntüleme videosunun bölümlere ayrılması (toplu iş olarak her 120 karede bir) ve kırpma (sınırların kaldırılması) dahil olmak üzere bir dizi ön işleme adımıdır.
Daha sonra, önceden işlenmiş videoyu "Spatiotemporal Sinir Ağı" (STNeuroNet) adı verilen ve 120 karelik giriş video görüntülerinin her bir grubunu analiz edebilen ve bir 3B evrişimli sinir ağı modeline girin. Her pikselde uyarılmış bir nöronun olasılığını gösteren bir olasılık haritası. Bu adım, tüm sürecin özüdür.
Son adım, olasılık eşikleri aracılığıyla örtüşen nöronları seçmek, ayırt etmek ve entegre etmek ve olasılık haritasını tüm videodaki uyarıcı nöronların konumlandırılmasına ve işaretlenmesine dönüştürmektir.
Şekil | Yapay zeka nöron etiketleme yöntemi (Kaynak: Somayyeh Soltanian-Zadeh / Duke Üniversitesi)
STNeuroNet'in tasarımı, bilgisayar video işleme alanında kullanılan derin sinir ağı modeline dayanır ve karmaşık bir yapıya sahiptir.
İlk olarak, giriş video kliplerini evrişimli bir katman ve ortalama bir havuzlama katmanıyla birleştirir ve birleştirir.
Ardından, farklı boyutlardaki özellik haritalarını çıkarmak için farklı boyutlarda üç yoğun özellik yığını kullanılır.
Üç özellik haritasının her biri% 50 rastgele inaktivasyon evrişimli katmanından geçtikten sonra, orijinal çözünürlüğe geri dönmek için birleşik birleştirme ve iki yukarı örneklemeden geçerler.
Son olarak, maksimum bir havuzlama katmanı ve iki düzlemsel evrişim katmanından sonra, nihai olasılık haritası Softmax fonksiyonu ile elde edilir.
STNeuroNet modeli, özel bir Zar kaybetme hedefi işlevi kullanır.
Şekil | DenseVNET'e dayalı STNeuroNet modeli (Kaynak: Somayyeh Soltanian-Zadeh / Duke Üniversitesi)
Araştırma sonuçları, STNeuroNet modelinin performansının mevcut benzer modellerden çok daha iyi olduğunu göstermektedir. Markalama doğruluğu açısından, geri çağırma oranı diğer benzer modelleri çok aşmaktadır ve hassaslık ve kapsamlı değerlendirme indeksi (F1) de diğer modellerden daha yüksektir.
Şekil | Model doğruluğunun karşılaştırması (Kaynak: Somayyeh Soltanian-Zadeh / Duke Üniversitesi)
Tanıma hızı açısından, STNeuroNet, mevcut tüm yöntemleri geride bırakan ön işleme ve son işleme süreçlerini dikkate almadan bir saniyede 27 kare videoyu işleyebilir. Ön ve son işlem süresi düşünüldüğünde bile, 10 videoyu işleme verimliliği saniyede yaklaşık 17 kareye ulaştı.
Sadece bu değil, araştırmacılar, belirli bir nöron alanında eğitilmiş STNeuroNet modelinin, tamamen farklı nöron boyutuna ve yoğunluğuna sahip başka bir alanda bile yüksek doğrulukla uyarıcı nöronların işaretlemesini sağlayabildiğini buldular. Bunu, bilgisayar sinir ağı modelinin mükemmel genelleştirilebilirliğine bağlıyorlar.
Araştırma ekibi, bu yeni teknolojinin getirdiği rahatlığı daha fazla bilimsel araştırmacının paylaşmasına olanak sağlamak için tüm kodlarını ve verilerini internette yayınladı.
Böylesine ileri teknolojiye dayalı olarak, sinirbilimciler yakında beyin sinir aktivitesinin dinamik gerçek zamanlı analizini gerçekleştirebilecekler. Bu araştırma ekibinin liderlerinden biri olan Duke Üniversitesi Biyomedikal Mühendisliği Okulu'nda yardımcı doçent olan Yiyang Gong, farelerin çeşitli davranışları ile beyin nöronlarının heyecanı arasındaki ilişkiyi araştırıyor.
Soltanian-Zadeh'in dediği gibi: "Uyarıcı nöronların daha verimli tanınması, beyin sinirleri ve uzuv davranışı arasındaki ilişkiyi incelemek için birçok ipucu sağlayabilir. Bu, yeni bir sinirbilim araştırması alanı açacaktır. Kapı."
