利用深度学习算法开发大脑图谱

　　来自苏黎世大学大脑研究所和瑞士联邦理工学院(ETH)的一组研究人员已经开发出一种完全自动化的大脑注册方法，可以用来分割老鼠感兴趣的大脑区域。
　　神经科学家总是在寻找新的方法来探索大脑不同区域的结构和功能，这些方法最初应用于动物，但最终可能会导致有关人类大脑组织的重要发现。
　　＂我的实验室旨在揭示哺乳动物的大脑如何发展其处理和反应感官刺激的能力，＂Theofanis Karayannis，进行这项研究的研究人员之一，告诉Tech Xplore。＂我们做的大部分工作是在实验方面，利用老鼠作为一个模型系统和技术，从分子遗传学到功能和解剖学。＂
　　本研究是一个更大的项目的一部分,其中还包括＂探索Brain-wide发展……通过深度学习,＂Karayannis和他的同事在一项研究中使用深度学习算法,全面跟踪所谓的抑制性神经元随时间为了衡量大脑功能的发展在特定的时间点。
　　为了做到这一点，他们试图设计出一种方法，能够在正在发育的小鼠大脑的实验图像中准确地描绘和分割不同的大脑区域，然后提取有关抑制性神经元的位置和密度的信息。
　　Karayannis解释说:＂通过利用我实验室的博士生Asim Iqbal的计算技能，我们首先测试了一些基于图像配准的方法的实用性，这些方法在去年的神经科学研究中得到了广泛关注。＂＂我们很快意识到，现有的技术在组织切片旋转或由于方法问题导致几何结构受损的情况下并不理想，例如在脑组织切片过程中。＂
　　在观察了现有的基于图像注册的方法的局限性后，研究人员着手开发一种新的深度学习工具，它可以产生可靠的结果，无论可能的规模、旋转和形态学问题影响部分脑组织。
　　这种方法被称为SeBRe(分割大脑区域)，它允许通过分割感兴趣的大脑区域进行配准，这可以帮助科学家研究不同发展阶段的大脑区域。SeBRe将大脑切片以及大脑区域的二进制掩码作为训练输入。
　　研究人员对14天大的老鼠的大脑切片进行神经网络训练，寻找两种遗传标记。然后，他们通过一系列神经元标记，测试了它在生成4、14、28和56天大的小鼠大脑中此前未被识别的部分的解剖面具方面的表现。SeBRe优于所有现有的大脑配准方法，在小鼠大脑数据集上提供了最小均方误差(MSE)评分。
　　Karayannis说:＂我们的研究为当前的仿射和非仿射脑区注册方法提供了一种新颖、可靠的方法。＂＂它还指出了基于人工智能的方法在分割感兴趣的大脑结构方面的适用性。＂
　　在未来，SeBRe将在跟踪和量化大脑发育过程中的解剖变化，以及识别其他有意义的信息方面发挥重要作用，比如在老鼠大脑发育过程中表达的基因以及它们的时空特性。
　　到目前为止，他们的深度学习算法只在大脑的几个区域进行了训练，研究人员发现，在其他具有复杂三维结构的区域，该算法的表现并不理想。
　　Karayannis和他的同事们现在正计划扩展他们的方法，通过使用更多的注释数据来进一步优化算法的性能，来分割小鼠和人类大脑的各个子区域。
　　＂希望,这项研究是道路的开始,最终会让我们和社区探索大脑结构和功能变化,不仅在不同的发展阶段,而且在毁灭性的脑部疾病,帮助确定新的生物标志物和形式新颖的假设关于疾病的产生和发展,＂Karayannis说。