洛桑联邦理工学院（EPFL）和哈佛大学的科学家们创造了一种开创性的人工智能方法，利用具有"定向增强"功能的卷积神经网络，可以高效追踪移动动物体内的神经元。这大大减少了人工标注，加速了大脑成像研究，加深了我们对神经行为的理解。

EPFL 和哈佛大学的科学家们开发出一种基于人工智能的方法，用于追踪移动动物的神经元，从而以最少的人工标注提高大脑研究的效率。

最近的研究进展允许对自由移动动物体内的神经元进行成像。然而，要解码电路活动，必须通过计算识别和跟踪这些成像神经元。当大脑本身在生物体（如蠕虫）灵活的身体内移动和变形时，这就变得尤其具有挑战性。到目前为止，科学界还缺乏解决这一问题的工具。

现在，来自洛桑联邦理工学院（EPFL）和哈佛大学的科学家团队开发出了一种开创性的人工智能方法，用于追踪移动和变形动物体内的神经元。这项研究发表在《自然-方法》（Nature Methods）上，由 EPFL 基础科学学院的萨罕德-贾迈勒-拉希（Sahand Jamal Rahi）领导。

新方法以卷积神经网络（CNN）为基础，CNN是一种经过训练的人工智能，能够识别和理解图像中的模式。这涉及一个称为"卷积"的过程，它每次查看图片的小部分，如边缘、颜色或形状，然后将所有信息组合在一起，使其具有意义，并识别物体或模式。

问题在于，要在拍摄动物大脑的过程中识别和追踪神经元，许多图像都必须手工标注，因为动物在不同时间由于身体变形的不同而呈现出截然不同的样子。考虑到动物姿态的多样性，手动生成足够数量的注释来训练 CNN 可能会令人生畏。

秀丽隐杆线虫三维体积脑活动记录的二维投影。绿色：基因编码的钙指示器，各种颜色：分割和追踪的神经元。资料来源：Mahsa Barzegar-Keshteli（EPFL）

为了解决这个问题，研究人员开发了一种具有"定向增强"功能的增强型 CNN。这项创新技术仅从有限的手动注释中自动合成可靠的注释作为参考。其结果是，CNN 可以有效地学习大脑的内部变形，然后利用它们为新姿势创建注释，从而大大减少了人工注释和重复检查的需要。

这种新方法用途广泛，无论神经元在图像中表现为单个点还是三维体积，它都能识别出来。研究人员在秀丽隐杆线虫（Caenorhabditis elegans）上对其进行了测试，该线虫仅有 302 个神经元，使其成为神经科学领域广受欢迎的模式生物。

利用增强型 CNN，科学家们测量了该蠕虫的一些中间神经元（在神经元之间传递信号的神经元）的活动。他们发现，这些神经元表现出复杂的行为，例如，当受到不同的刺激（如周期性爆发的气味）时，它们会改变自己的反应模式。

研究小组将他们的 CNN 变得易于访问，提供了一个用户友好的图形用户界面，集成了有针对性的增强功能，将整个过程简化为一个从手动注释到最终校对的综合流水线。

Sahand Jamal Rahi 说："通过大幅减少神经元分割和跟踪所需的人工工作，新方法将分析吞吐量提高到全人工标注的三倍。这一突破有可能加速大脑成像研究，加深我们对神经回路和行为的理解"。

编译来源：ScitechDaily