新突破!Google用AI技术自动重构3D大脑,以更高精度绘制神经元

就在今天,Google团队宣布对人工神经网络有了一个新的突破!

Google公司在《Nature Method》杂志发表的论文《利用Flood-Fill算法进行的高精度自动重建神经元》中展示了一种专门为分析连接组学打造的递归神经网络系统。

微信图片_20180718172059.gif

科研人员使用了一种边缘检测算法,能够识别神经突(神经元的分支)和递归卷积神经网络(递归神经网络的子类别)的边缘,并且集合且提亮扫描图中的像素描绘神经元。


在这基础上,为了控制准确性,Google科研人员提出了 “预期运转周期”(ERL)的概念:在大脑的3D图像中给定一个随机的神经元,在跟踪出错前,能够对其追踪多长距离?而对于生物学家来说,ERL的数值与生物学上的数量存在相关性,比如神经系统中不同部分的神经元的平均路径长度。


微信图片_20180718171940.jpg

采用ERL方法(蓝色线)的结果表现最好,红色线表示“合并率”,即两个独立的神经元被错误地当成一个目标进行跟踪的频率。将合并率保持在一个很低的水平,对于研究人员辨别并改正其他错误具有很重要的意义。


其实,Google不是第一个把人工智能应用到连接组学的团队。就在今年3月份,英特尔与麻省理工学院的计算机科学和人工智能实验室合作,开发了“下一代”大脑图像处理流水线。但是Google表示,他们的模型的准确度比以前的模型”提高了10倍。


报告中指出,利用ERL方法测量100万立方微米的斑胸草雀大脑扫描图像中的神经元真实数据集,新方法比以往使用同样数据集的其他深度学习途径的表现要好。

微信图片_20180718172107.gif


这是Google提出的算法在斑胸草雀脑中追踪单个神经突的过程。金球代表使用以前的方法自动识别的突触位置。

谷歌研究员、论文主要作者维伦·贾恩(Viren Jain)和米查尔·詹纳斯泽维斯基(Michal Januszewski)表示:“这些自动化的结果结合少量的额外人力可以帮助解决剩余的错误,而马克斯普朗克研究所的研究人员现在可以研究鸣禽大脑的连接组,以获得斑胸草雀如何鸣唱的新洞见,并测试它们如何学习鸣唱的理论。”


人工神经网络一直是人工智能领域的研究热点。近十年来,随着该领域的研究不断深入研究已经取得了巨大的发展,并很好地应用于模式识别、智能机器人、自动控制、预测估计、生物、医学、经济等领域,成功地解决了许多现代计算机难以解决的实际问题。但由于大脑图像中的结构相当复杂、精细,数据的自动解读一直是技术发展的瓶颈。


就在今年的Google I/O大会上,Google CEO皮查伊就提出一个主题——人工智能的全面升级,这表明了Google将继续大力发展人工智能领域。如今Google团队也的确对人工智能技术的瓶颈有了新的突破,这将提高人工神经网络的工作效率,使结果更加精准,拓宽了应用范围。


另外,为了帮助更大的社区推进与该技术的相关研究,Tensorflow代码现已开源,谷歌还公布了他们开发的面向3D数据集的WebGL可视化软件,用于理解和改进该研究结果。未来,研究人员也将继续完善相关系统,实现突触解决过程中的自动化。



- End -

编辑/Eillita

本文章图片来源于网络

想要了解更多人工智能资讯、行业动态,欢迎关注声学在线公众号(ID:soundonline)!

加入声学在线:hr@soundonline.org


本文由 声学在线发表。转载请注明出处(声学在线)及本页链接。原文链接http://soundonline.org/2018/07/333.html



热文