Ученые из Федеральной политехнической школы Лозанны (EPFL) и Гарвардского университета создали революционный метод искусственного интеллекта, который использует сверточные нейронные сети с «направленным улучшением» для эффективного отслеживания нейронов в движущихся животных. Это значительно сокращает количество ручных аннотаций, ускоряет исследования по визуализации мозга и углубляет наше понимание нейроповедения.
Ученые из EPFL и Гарвардского университета разработали метод на основе искусственного интеллекта для отслеживания нейронов движущихся животных, повышающий эффективность исследований мозга с минимальными ручными аннотациями.
Последние достижения позволяют получать изображения нейронов у свободно движущихся животных. Однако для декодирования активности схемы эти визуализирующие нейроны необходимо идентифицировать и отслеживать с помощью вычислений. Это становится особенно сложной задачей, когда мозг сам движется и деформируется внутри гибкого тела организма, например червя. До сих пор научному сообществу не хватало инструментов для решения этой проблемы.
Теперь группа ученых из Федеральной политехнической школы Лозанны (EPFL) и Гарвардского университета разработала новаторский метод искусственного интеллекта для отслеживания нейронов в движущихся и деформирующихся животных. Исследование, опубликованное в журнале Nature Methods, возглавил Саханд Джамал Рахи из Школы фундаментальных наук EPFL.
Новый метод основан на сверточных нейронных сетях (CNN) — типе искусственного интеллекта, обученного распознавать и понимать закономерности на изображениях. Это включает в себя процесс, называемый «сверткой», при котором одновременно рассматриваются небольшие части изображения, такие как края, цвета или формы, а затем объединяется вся информация, чтобы иметь смысл и идентифицировать объекты или узоры.
Проблема в том, что для идентификации и отслеживания нейронов в процессе фотографирования мозга животного многие изображения необходимо аннотировать вручную, поскольку в разное время животные выглядят очень по-разному из-за разных деформаций тела. Учитывая разнообразие поз животных, создание вручную достаточного количества аннотаций для обучения CNN может оказаться сложной задачей.
Чтобы решить эту проблему, исследователи разработали улучшенную CNN с функцией «направленного улучшения». Эта инновационная технология автоматически синтезирует надежные аннотации в качестве справочного материала из ограниченного количества ручных аннотаций. В результате CNN могут эффективно изучать внутренние деформации мозга, а затем использовать их для создания аннотаций для новых поз, что значительно снижает потребность в ручных аннотациях и повторных проверках.
Новый метод универсален и может идентифицировать нейроны независимо от того, выглядят ли они как отдельные точки на изображениях или как трехмерные объемы. Исследователи протестировали его на нематоде Caenorhabditis elegans, у которой всего 302 нейрона, что делает ее популярным модельным организмом в нейробиологии.
Используя усовершенствованные CNN, ученые измерили активность некоторых интернейронов червя (нейронов, которые передают сигналы между нейронами). Они обнаружили, что эти нейроны демонстрируют сложное поведение, например, меняют модели реакции при воздействии различных раздражителей, например периодических всплесков запахов.
Исследовательская группа сделала свою CNN доступной, предоставив удобный графический пользовательский интерфейс, который интегрировал целевые улучшения, упрощая весь процесс в комплексный конвейер от ручного аннотирования до окончательной корректуры.
Саханд Джамал Рахи сказал: «За счет радикального сокращения ручных усилий, необходимых для сегментации и отслеживания нейронов, новый метод увеличивает производительность анализа в три раза по сравнению с полным ручным аннотированием. Этот прорыв потенциально может ускорить исследования в области визуализации мозга и углубить наше понимание нейронных цепей и поведения».
Источник составления: ScitechDaily.