机器学习新突破：Google 研究人员利用 AI 自动重构大脑神经元
▼
近日，Google 与马克斯‧普朗克神经生物学研究所合作，在《Nature Methods》发表了一篇重磅论文，使用回圈神经网络演算法自动重构神经元连接组，不仅可对连接组做高解析度的可视化成像，且准确度提高一个量级，为连接组学的研究带来新突破。
在神经系统绘制神经网络架构──是称为“连接组学”（connectomics）的研究领域──无疑属于计算密集型。
人类大脑约有860亿个透过100万亿个突触连接的神经元，成像一个立方公厘大的大脑组织，就可生成超过1,000TB的资料（10亿张照片）。
据《连接组：造就独一无二的你》（Connectome: How the Brain’s Wiring Makes Us Who We Are，暂译）这本书介绍，连接组学是透过分析神经元之间的连线和组织方式，分析大脑执行机制的终极目的学科。连接主义认为大脑的工作机制就在神经元的连接。如果两个神经元之间有一个突触交会点，那么这两个神经元就是“有连接”。透过突触，一个神经元可把资讯传递给另一个神经元。
▲神经元结构。
AI助力神经元连接组可视化成像，准确度提高一个量级
为了看到连接组，科学家经历了各种探索。比较常用的是帮大脑组织染色，然后用电子显微镜观察大脑切片，以此获得神经元连接的大量局部具体资讯，再聚在一起构成大脑整个神经网络资讯，但具体作业要克服许多困难，耗费大量人力物力。第二种是透过MRI（核磁共振）观测活体大脑，但解析度较低，只有公厘级。
如果我们能将大脑突触连接的资讯和连接组资讯进行高解析度的可视化成像，那么一个人大脑是否受损就能一目了然，针对性治疗一些高难度的脑部疾病都将成为可能。
7月16日，发表于《Nature Methods》杂志的《利用泛洪网络对神经元进行高精度自动重构》（High-Precision Automated Reconstruction of Neurons with Flood-Filling Networks）论文，Google和马克斯‧普朗克神经生物学研究所（Max Planck Institute of Neurobiology）的科学家展示一种回圈神经网络演算法（常用于手写和语音辨识的机器学习演算法），是专为连接组学分析量身定做。
Google 研究人员并不是第一个将机器学习应用于连接组学的人。今年3月，英特尔与麻省理工学院的电脑科学和人工智慧实验室合作，开发“下一代”大脑影像处理系统。但Google 声称，他们的模型比英特尔等企业发表的深度学习技术，准确性提高了一个量级。
▲Google 演算法在鸣禽大脑关注一个3D神经突触。
利用泛洪网络（Flood-FillingNetworks）演算法分割三维影像
用大型电子显微镜资料关注神经网络是影像分割的常用方法。传统演算法将这过程划分为至少两步骤：使用边缘侦测器或机器学习分类器找到神经网络之间的界线，然后使用watershed 或 graph cut 等演算法分组未被界线分割的影像像素。
2015年，研究人员开始尝试一种基于递回神经网络的替代方案，将这两步结合起来。该演算法在一个特定的像素定点，然后使用回圈卷积神经网络更新“填补”一个区域，神经网络可预测哪些像素与初始像素相同。
▲在2D分割物件的Flood-Filling网络。
设定预期执行长度测量准确性
自2015年以来，研究人员一直致力于将这种新方法应用于大型连接组资料集，并严格量化准确性。
为了检验准确性，研究小组设定了“预期执行长度”（ERL）指标，在大脑3D影像随机抽取神经元并关注，然后测量演算法出错前关注神经元的距离。
▲蓝线表示使用ERL测量的结果；红线表示“合并率”，即两个独立的神经元误认为一个目标关注的频率。
研究小组报告说，扫描100万立方微米的斑胸草雀大脑脑部，并用 ERL 测量后，模型的表现比之前演算法“好多了”。
▲利用泛洪网络演算法自动重构斑胸草雀大脑神经元。
“这些自动化产生的结果结合少量人力投入，就可消除剩余误差，马克斯‧普朗克研究所的研究人员现在可以研究鸣禽连接组，进而获得新发现，如斑胸草雀如何唱歌，又是如何学习唱歌”，这篇论文的作者Viren Jain 和 Michal Januszewski在部落格写道。
除了论文，团队还在Github发表模型的TensorFlow程式码，以及他们用来做资料库可视化和改进重构结果的WebGL 3D软件。他们计划在未来改进系统，以使突触分析过程完全自动化，并“为马克斯‧普朗克研究所和其他机构的项目提供帮助”。
- Improving Connectomics by an Order of Magnitude
- Google researchers create AI that maps the brain’s neurons
- Announcing Cirq: An Open Source Framework for NISQ Algorithms
- High-precision automated reconstruction of neurons with flood-filling networks
（本文由 雷锋网 授权转载；首图来源：shutterstock）
▼
特别声明 本页内容仅供参考，版权终归原著者所有，若有侵权，请联系我们删除。
