谷歌最新AI算法 递归神经网络绘制大脑神经图像

 

据VentureBeat报道，在神经系统中绘制生物网络结构图（这个领域被称为连接组学（connectomics））需要大量的计算。人类大脑中有大约860亿个神经元，它们通过100万亿个突触连接起来，对一立方毫米的组织进行成像就可以生成超过1000TB字节的数据。幸运的是，人工智能（AI）可以提供帮助。

在《Nature Methods》杂志上发表的论文中，谷歌和马克斯-普朗克神经生物研究所的科学家们展示了一种递归神经网络，它是为连接组学分析量身定做的系统。递归神经网络是一种机器学习算法，经常用于手写和语音识别。

谷歌的研究人员并不是第一个将机器学习应用于连接组学的人。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。但是谷歌声称，他们的模型准确性比以前的深度学习技术有了“数量级”的提高。

谷歌算法在鸣禽大脑中追踪3D神经突

谷歌研究人员使用了一种边缘检测算法，该算法可以识别神经突（神经元本体的分支）的边界，以及一种复发性卷积神经网络（复发性神经网络的一个子类），该神经网络将神经元扫描中的像素聚集起来并突出显示出来。

为了跟踪准确性，研究团队开发了“预期运行长度”（ERL），这是指标在大脑的3D图像中给随机神经元一个随机点，然后测量算法在出错前跟踪神经元的距离。研究小组报告说，在对100万立方微米的斑胸草雀进行脑部扫描后，该模型的表现比之前的算法“要好得多”。

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。”

除了论文之外，这个研究团队还在Github上发布了模型的TensorFlow代码，以及他们用来可视化数据集和改进重构结果的WebGL 3D软件。他们计划未来继续改进这个系统，目标是使突触解析过程完全自动化，并“为马克斯普朗克研究所和其他机构的项目做出贡献”。