"İnsan beynini anlamada çığır açan" sinir ağı, beyin sinir devrelerini insan seviyesine ulaşan hassasiyetle çiziyor
Xinzhiyuan Derlemesi
Kağıt adresi: https://academic.oup.com/bioinformatics/article-abstract/33/16/2555/3096435/DeepEM3D-approaching-human-level-performance-on-3D
100 milyar ev çizmek gibi
Onlarca yıldır insanlar beynin sinir devrelerine ilişkin anlayışlarını derinleştirmeye çalışıyorlar, ancak boyutu ve karmaşıklığı büyük bir zorluk. Araştırma lideri araştırmacı ve WSU Elektrik Mühendisliği ve Bilgisayar Bilimleri Fakültesi doçenti Shuiwang Ji, bunun dünyanın bir uydu görüntüsüne sahip olmaya benzediğini söyledi. Dünya üzerinde 100 milyar evin haritasını çıkarmaya ve tüm evleri haritalamaya çalışıyoruz. Sokakları ve herkesin gideceği yeri birbirine bağlayın.
Şekil: Soldaki iki görüntü, beyin dokusunun küçük bir kısmının orijinal elektron mikroskobu görüntüleridir; Sağdaki iki görüntü, beynin farklı renklerin farklı nöronları temsil ettiği, bilgisayar tarafından oluşturulan renkli görüntüleridir.
Aslında, araştırmacıların bir hayvanın beyninin sinir devrelerini tamamen haritalandırması on yıldan fazla sürdü - sadece 302 nöron içeren bir nematod. Bununla birlikte, insan beyninde yaklaşık 100 milyar nöron vardır ve devrelerini tam olarak anlamak için gereken veri miktarı, dünyadaki tüm verilere eşit olan 1.000 eksabayttır.
Nöron çizin
Nöronları haritalamak için, araştırmacıların kullandığı mevcut yöntem bir elektron mikroskobu ile fotoğraf çekmektir - her görüntü genellikle sadece az sayıda nöron içerir. Daha sonra araştırmacılar, davranışsal biyolojide o nöronun rolünü anlamak için her bir nöronun şeklini ve boyutunu ve yakın nöronlarla olan binlerce bağlantısını inceleyecekler.
Ji Shuiwang: "Beynin nasıl çalıştığı hakkında çok az şey biliyoruz." Dedi.
Araştırmacıların ciddi beyin hastalıklarının (Alzheimer hastalığı, şizofreni, otizm veya Parkinson hastalığı gibi) nedenlerini anlama yeteneğini sınırlayan beyin devreleri hakkında çok az bilgi vardır. Bu hastalıklar şu anda bir tedavi bulmak için deneme yanılma yöntemine güvenmek zorundadır. Ulusal Mühendislik Akademisi, insan beynini anlamayı 21. yüzyılın en büyük zorluklarından biri olarak listeledi.
İnsan seviyesinde doğruluk
2013 yılında Massachusetts Institute of Technology (MIT), araştırmacıları beyin devre şemalarını görüntü analizini, kod çözmeyi ve anlamayı hızlandırabilecek algoritmalar geliştirmeye çağıran bir yarışma başlattı. Yarışmanın bir parçası olarak, algoritmanın çalışması gerçek sinirbilimcilerden oluşan bir ekibin çalışmasıyla karşılaştırılacak. Bilgisayarlar insan düzeyinde doğruluğa ulaşabilirse, bu tür hesaplamaları insanlardan daha hızlı ve daha ucuza da yapabilirler.
WSU araştırma ekibi, insan düzeyinde doğruluğa ulaşabilen ilk hesaplama modelini geliştirdi.
Tıpkı insanların bilgileri kendi gözleriyle alması ve ardından bilgiyi birden çok aşamada analiz etmesi gibi. WSU ekibi tarafından geliştirilen hesaplama modeli, bir görüntüyü girdi olarak alır, daha sonra onu çok katmanlı bir ağda işler ve sonunda bir karar verir. Araştırmacılar, algoritmalarında, insanların karmaşık biyolojik sinir ağını taklit eden yapay bir sinir ağı geliştirdiler.
WSU araştırma ekibinin algoritması, MIT Challenge'da insan araştırma ekibinin doğruluk seviyesine ulaşmış olsa da, eksiksiz ve doğru bir nöral devre şeması çizmek için bir bilgisayar kullanılarak yapılacak çok iş var. Bay Ji, bilgisayar çiziminde hala çok fazla hata olduğunu ve manuel sonuçları bilgisayar sonuçlarıyla karşılaştırmak için kesin bir standart olmadığını söyledi. Ancak Ji, otomatik yöntemlerin kısa vadede tamamen el emeğinin yerini almasına rağmen, hesaplama yöntemlerindeki ilerlemelerin elle çizimin iş yükünü kesinlikle azaltabileceğini de ekledi.
Kağıt: DeepEM3D: İnsan seviyesine yakın 3 boyutlu anizotropik EM görüntü segmentasyonu
Özet
Araştırma motivasyonu: 3D elektron mikroskobu (EM) görüntülemedeki gelişmeler, yüksek verimli veri toplamada sinirbilim araştırmalarını büyük ölçüde desteklemiştir. Buna göre, veri oluşturma hızına ayak uydurmak için yüksek verimli otomatik görüntü analizi yöntemleri gereklidir. Bir örnek, nöron akson rekonstrüksiyonu için otomatik EM görüntü segmentasyonudur. Bununla birlikte, mevcut yöntemler, verimlilik ve güvenilirlik açısından hala manuel seviyenin altındadır.
Araştırma sonucu: Bu araştırmada, 3D anizotropik EEG görüntülerini bölümlere ayırmak için derin bir öğrenme yöntemi olan DeepEM3D algoritmasını öneriyoruz. Bu yöntemde, derin öğrenme modeli, özellik temsillerini etkili bir şekilde oluşturmak için büyük miktarda çok ölçekli bağlam bilgisini birleştirebilir. Anizotropik görüntüleri bölümlere ayırmanın zorluğunu çözmek için yeni bir sınır haritası oluşturma yöntemi ve optimize edilmiş model seti öneriyoruz. Yöntemimizi EM Image Neuron Synaptic 3D Segmentation (SNEMI3D) Challenge'a katılarak değerlendirdik. 15 Ekim 2016 itibarıyla, gönderimimiz mevcut liderlik tablosunda birinci sırada yer alıyor. Daha da önemlisi, sonuçlarımız bir değerlendirme göstergesi olarak insan araştırma ekibinin performansına çok yakındır, yani Rand hatası 0,06015 ve insan performansı 0,05998'dir.
Şekil 1: DeepEM3D'nin Mimarisi
Şekil 2: 3B segmentasyon oluşturma süreci
Şekil 3: İyi hizalanmış bir görüntü yığınında sınırları tahmin etme örneği
Şekil 4: Hizalanmamış bir görüntü yığınındaki sınırları tahmin etme örneği
Orijinal: https://news.wsu.edu/2017/08/16/brain-mapping
İş ayrıntılarını görüntülemek için orijinal metni okumak için tıklayın ve katılmanızı dört gözle bekleyin ~
