洛桑聯邦理工學院（EPFL）和哈佛大學的科學家們創造了一種開創性的人工智慧方法，利用具有”定向增強”功能的捲積神經網絡，可以高效追蹤移動動物體內的神經元。這大大減少了人工標註，加速了大腦成像研究，加深了我們對神經行為的理解。

EPFL 和哈佛大學的科學家們開發出一種基於人工智慧的方法，用於追蹤移動動物的神經元，從而以最少的人工標註提高大腦研究的效率。

最近的研究進展允許對自由移動動物體內的神經元進行成像。然而，要解碼電路活動，必須透過計算來識別和追蹤這些成像神經元。當大腦本身在生物體（如蠕蟲）靈活的身體內移動和變形時，這就變得尤其具有挑戰性。到目前為止，科學界還缺乏解決這個問題的工具。

現在，來自洛桑聯邦理工學院（EPFL）和哈佛大學的科學家團隊開發了一種開創性的人工智慧方法，用於追蹤移動和變形動物體內的神經元。這項研究發表在《自然-方法》（Nature Methods）上，由EPFL 基礎科學學院的薩罕德-賈邁勒-拉希（Sahand Jamal Rahi）領導。

新方法以卷積神經網路（CNN）為基礎，CNN是一種經過訓練的人工智慧，能夠辨識並理解影像中的模式。這涉及一個稱為”卷積”的過程，它每次查看圖片的小部分，如邊緣、顏色或形狀，然後將所有資訊組合在一起，使其具有意義，並識別物體或模式。

問題在於，要在拍攝動物大腦的過程中識別和追蹤神經元，許多圖像都必須手工標註，因為動物在不同時間由於身體變形的不同而呈現出截然不同的樣子。考慮到動物姿態的多樣性，手動產生足夠數量的註釋來訓練CNN 可能會令人生畏。

秀麗隱桿線蟲三維體積腦活動記錄的二維投影。綠色：基因編碼的鈣指示器，各種顏色：分割和追蹤的神經元。資料來源：Mahsa Barzegar-Keshteli（EPFL）

為了解決這個問題，研究人員開發了一種具有”定向增強”功能的增強型CNN。這項創新技術僅從有限的手動註釋中自動合成可靠的註釋作為參考。結果是，CNN 可以有效地學習大腦的內部變形，然後利用它們為新姿勢創建註釋，從而大大減少了人工註釋和重複檢查的需要。

這種新方法用途廣泛，無論神經元在影像中表現為單點還是三維體積，它都能辨識出來。研究人員在秀麗隱桿線蟲（Caenorhabditis elegans）上對其進行了測試，該線蟲僅有302 個神經元，使其成為神經科學領域廣受歡迎的模式生物。

利用增強型CNN，科學家測量了該蠕蟲的一些中間神經元（在神經元之間傳遞訊號的神經元）的活動。他們發現，這些神經元表現出複雜的行為，例如，當受到不同的刺激（如週期性爆發的氣味）時，它們會改變自己的反應模式。

研究小組將他們的CNN 變得易於訪問，提供了一個用戶友好的圖形用戶界面，集成了有針對性的增強功能，將整個過程簡化為一個從手動註釋到最終校對的綜合流水線。

Sahand Jamal Rahi 說：”透過大幅減少神經元分割和追蹤所需的人工工作，新方法將分析吞吐量提高到全人工標註的三倍。這項突破有可能加速大腦成像研究，加深我們對神經迴路和行為的理解”。

編譯來源：ScitechDaily