谷歌研究員創建AI地圖，精準繪製大腦神經元

本文由人工智慧觀察編譯

譯者：Sandy

在被稱之為連接組學（Connectomics）的研究領域，嘗試映射神經系統中的生物網路結構是一個計算密集且繁瑣的過程，畢竟人類大腦包含大約860億個神經元，並且一個立方毫米的神經元可以產生超過1000TB的數據，這是一個極其龐大的規模。

不過，幸運的是，人工智慧可以在該領域提供幫助。

在一篇發表在「Nature Methods」雜誌上的名為《使用Flood-Filling網路高效自動重建神經元》（High-Precision Automated Reconstruction of Neurons with Flood-Filling Networks）的論文里，谷歌和德國馬克斯普朗克神經生物學研究所的研究人員開發了一種為連接組學量身定製的基於深度學習的系統，可以自動映射大腦的神經元。

事實上，谷歌的研究人員不是第一個將機器學習應用於連接組學的人。今年3月，英特爾與麻省理工學院的計算機科學和人工智慧實驗室合作開發了一個「next-gen」腦圖像處理流程。不過，谷歌在該論文中展示了一種新型的遞歸神經網路如何提高自動解析連接組數據的準確性。同時，研究人員還表示，與先前的深度學習技術相比，提高了一個數量級。

GIF

研究人員使用了邊緣檢測器或機器學習分類器找出神經節之間的邊界（來自神經元本體的輸出），以及一個循環卷積神經網路（遞歸神經網路的子類別）將掃描中的像素組合在一起並突出顯示神經元。

此外，為了保證準確性，該團隊還提出了名為「預期運行長度」（ERL）的概念。這是一種測量方法，在大腦的3D圖像中給定一個隨機的神經元，測量出在該演算法跟蹤出錯前，能夠追蹤神經元的距離。據了解，研究人員通過ERL方法測量了100萬立方微米的斑胸草雀大腦掃描圖像中的神經元真實數據集，結果表明，新方法比以往使用同樣數據集的其他深度學習途徑的表現要更好。

除了論文之外，該團隊還在Github上發布了所用模型的TensorFlow代碼，以及用於可視化數據集和改進重建結果的WebGL 3D軟體。他們計劃在未來完善這一系統，目的是使突觸解決過程完全自動化，並「為馬克斯普朗克研究所和其他地方的項目做出貢獻」。

（文中圖片來自網路）

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！