bioingénieurs Duke University ont inventé un moyen automatisé de réseau de neurones à convolution (CNN), et pour assurer l'exactitude de la prémisse, les professionnels ont besoin d'identifier les tâches excitation nerveuse heures de dix à raccourcies dizaines de minutes ce sera une grande aide dans le domaine des neurosciences.
La nouvelle technologie basée sur l'intelligence artificielle pour résoudre le neurone la recherche d'un goulot d'étranglement critique. L'un des auteurs, professeur de génie biomédical à l'Université Duke Sain Farsiu a commenté et dit :. « Cette activité cérébrale entièrement utilisé (image) nous voulons développer une critique dans différents paramètres expérimentaux, sont il permet rapide, méthode automatisée pour la précision des marqueurs neuronaux humains d'approximation, ceci est une tâche difficile ".
Le premier auteur du papier, École de génie biomédical à l'Université Duke dit des étudiants de doctorat Somayyeh Soltanien-Zadeh: « Notre approche est basée sur la profondeur du modèle d'apprentissage, il est non seulement très rapide, et peut atteindre (et dépasser) un expert humain en deux photons les niveaux de marqueurs de neurones excitateurs dans la vidéo ".
Dans le domaine de la neurologie comportementale (neurosciences du comportement), les scientifiques explorent le mécanisme spécifique de la cognition animale, les fonctions d'émotion et moteur du niveau des cellules du cerveau. Cette compréhension de certains troubles neurologiques et psychologiques, tels que le mécanisme de la schizophrénie et la psychose de la maladie d'Alzheimer a un rôle vital.
Les méthodes traditionnelles de biologie cellulaire, est in vitro des cellules en culture ont été observées. Mais les neurones du cerveau, cette approche ne fonctionnera pas, car les cellules nerveuses dans le cerveau à l'environnement fonctionnent à vivre. Ainsi, la naissance de l'imagerie à deux photons (imagerie à deux photons), qui utilise le principe de pénétration des photons, sans endommager les cellules, les neurones dans le cerveau des animaux vivants pour le balayage d'imagerie en temps réel.
FIG | travail schématique microscopie à deux photons, à deux photons (calcium) coups d'imagerie (Source: Takaki Komiyama / l'Université de Californie à San Diego)
Même avec la technologie d'imagerie de pointe, mais les neurones individuels sont marqués sur le film, mais il est une tâche difficile. Il est comme dans un film, nous avons besoin de temps pour suivre l'emplacement et l'activité d'une personne. La méthode la plus couramment utilisée, chaque neurone excité manuellement scie circulaire. Le problème est qu'il ya généralement une image de milliers de cellules, vous voulez identifier avec précision, ne peut regarder le film encore et encore. Le traitement d'une image vidéo de 30 minutes, un des analystes professionnels de travailler de façon continue sans manger ni boire habituellement 4-24 heures. Si les cellules provenant de différentes zones de chevauchement, il va encore accroître la difficulté d'identification.
L'excitation de la méthode des marqueurs neuronaux de génie biomédical, l'équipe de l'Université de Duke a inventé, mais il peut faire le travail en quelques dizaines de minutes, et la précision de l'étiquetage et les analystes très professionnels. Cette nouvelle méthode a été publiée dans la récente « Académie nationale des sciences des sciences » (PNAS) sur.
Ceci est une nouvelle série de méthode de marquage de l'excitabilité neuronale artificielle se compose de trois parties. La première est une série d'étapes de pré-traitement, y compris la vidéo d'imagerie à deux photons est divisée (en 120 par lot) et les opérations de récolte (suppression de trame).
Ensuite, après l'entrée vidéo d'un pré-appelé « réseau de neurones espace-temps » (spatio-temporelle de réseau neuronal, en abrégé STNeuroNet) modèle de réseau neuronal convolutif en 3D, une image vidéo 120 qui peut chaque lot analyse l'entrée, et génère un graphique de probabilité Zhang montre la probabilité peut être excité neurones sur chaque pixel. Cette étape est le noyau de l'ensemble du processus.
L'étape finale, pour sélectionner, opération d'intégration neuronale se différencient et se chevauchent par un seuil de probabilité, la probabilité de carte et positionner les marques se traduisent par une excitation neuronale dans l'ensemble de la vidéo.
Figure | méthode de marquage neuronal artificiel (Source: Somayyeh Soltanien-Zadeh / Duke University)
conception STNeuroNet dessine le modèle de réseau de neurones profond utilisé dans l'ordinateur de traitement vidéo, ayant une structure complexe.
Tout d'abord, il segmente la vidéo d'entrée par une couche de convolution, respectivement, et une couche de cellules moyenne, l'épissage d'intégration.
Ensuite, par l'intermédiaire dense comporte trois piles de taille de la pile (caractéristique dense), pour extraire le spectre caractéristique de différentes dimensions (fonction MAP).
Après trois cartes de fonction respectivement, après une couche de convolution aléatoire de 50% échantillonné à nouveau désactivé (sur-échantillonnage) sera une combinaison de couture et deux fois retourné à la résolution d'origine.
Enfin, après une couche de cellules maximum et deux couches planes de convolution, et ensuite obtenus à partir de la dernière carte de probabilité fonction Softmax (carte de probabilité).
modèle STNeuroNet en utilisant une fonction objective sur mesure dés perte.
Carte | DenseVNET modèle STNeuroNet (Source: Somayyeh Soltanien-Zadeh / Duke University)
Les résultats montrent que les performances du modèle STNeuroNet est bien supérieure à des modèles similaires existants. En ce qui concerne l'exactitude de l'étiquetage, le rappel (Recall) beaucoup plus que d'autres modèles similaires, précision (précision) et l'indice d'évaluation complet (F1) est également plus élevé que les autres modèles.
Carte | comparer la précision du modèle (Source: Somayyeh Soltanien-Zadeh / Duke University)
la vitesse de reconnaissance, sans tenir compte de la pré-traitement et de post-traitement, STNeuroNet vitesse peut atteindre un deuxième traitement vidéo 27, qui est supérieure à toutes les méthodes existantes. Même en tenant compte du temps avant et après le traitement, l'efficacité de la section de traitement vidéo 10 a atteint environ 17 images par seconde.
Non seulement cela, les chercheurs ont également constaté que les neurones dans une région particulière du modèle STNeuroNet de formation, même dans un autre domaine a une taille complètement différente des neurones et la densité, la même chose peut être atteint marqué l'excitation neuronale et une plus grande précision. Ils ont attribué à un modèle de réseau de neurones informatique de fonction universelle exceptionnelle (généralisabilité).
Pour permettre à davantage de chercheurs de partager la commodité de cette nouvelle technologie, l'équipe de recherche a été sur Internet tous leur code et données publiques.
Sur la base de cette technologie de pointe, les neuroscientifiques pourraient bientôt être en mesure d'analyse en temps réel de l'activité neuronale dans la mise en uvre dynamique du cerveau. L'un des chef d'équipe de recherche, professeur adjoint de génie biomédical à l'université Duke de Yiyang Gong avait commencé à étudier la relation entre la souris dans l'excitation neuronale du comportement et du cerveau.
Comme Soltanien-Zadeh dire :. « Yuan d'identification plus efficace d'excitation nerveuse, pour être en mesure d'étudier la relation entre le comportement nerveux du cerveau physique et fournir beaucoup d'indices qui ouvrira une nouvelle recherche en neurosciences la porte ".
