ローザンヌ工科大学（EPFL）とハーバード大学の科学者たちは、「方向性強化」を備えた畳み込みニューラル ネットワークを使用して、移動する動物のニューロンを効率的に追跡する画期的な人工知能手法を開発しました。これにより、手動による注釈が大幅に削減され、脳画像研究が加速され、神経行動への理解が深まります。
EPFL とハーバード大学の科学者は、移動する動物のニューロンを追跡するための人工知能ベースの方法を開発しました。これにより、最小限の手動注釈で脳研究の効率が向上します。
最近の進歩により、自由に動く動物のニューロンのイメージングが可能になりました。ただし、回路活動を解読するには、これらのイメージング ニューロンを計算によって識別し、追跡する必要があります。これは、線虫などの生物の柔軟な体内で脳自体が動いたり変形したりする場合に特に困難になります。これまで、科学界にはこの問題に対処するツールがありませんでした。
今回、ローザンヌ連邦工科大学（EPFL）とハーバード大学の科学者チームは、動いたり変形したりする動物のニューロンを追跡する先駆的な人工知能手法を開発した。 Nature Methodsに掲載されたこの研究は、EPFL基礎科学部のサハンド・ジャマル・ラヒ氏が主導した。
新しい手法は、画像内のパターンを認識して理解するように訓練された人工知能の一種である畳み込みニューラル ネットワーク (CNN) に基づいています。これには「畳み込み」と呼ばれるプロセスが含まれます。このプロセスでは、エッジ、色、形状などの画像の小さな部分を一度に調べ、すべての情報をまとめて意味を理解し、オブジェクトやパターンを識別します。
問題は、動物の脳を撮影するプロセス中にニューロンを特定して追跡するには、多くの画像に手作業で注釈を付けなければならないことです。これは、動物は体の変形が異なるため、時間によって見た目が大きく異なるためです。動物のポーズが多様であることを考えると、CNN をトレーニングするために十分な数のアノテーションを手動で生成するのは困難な場合があります。
この問題を解決するために、研究者らは「指向性強化」機能を備えた強化されたCNNを開発した。この革新的なテクノロジーは、限られた手動アノテーションのみから参照として信頼できるアノテーションを自動的に合成します。その結果、CNN は脳の内部変形を効果的に学習し、それを使用して新しいポーズの注釈を作成できるため、手動による注釈や繰り返しのチェックの必要性が大幅に軽減されます。
新しい方法は多用途であり、ニューロンが画像内の単一点として表示されるか、3 次元ボリュームとして表示されるかに関係なく識別できます。研究者らは、この線虫のニューロンをわずか 302 個しか持たず、神経科学で人気のモデル生物となっている線虫 Caenorhabditis elegans でそれをテストしました。
研究者らは、強化された CNN を使用して、線虫の介在ニューロン (ニューロン間で信号を伝達するニューロン) の活動を測定しました。研究者らは、これらのニューロンが、周期的な匂いの爆発など、さまざまな刺激にさらされると反応パターンが変化するなど、複雑な挙動を示すことを発見した。
研究チームは、対象を絞った機能強化を統合した使いやすいグラフィカル ユーザー インターフェイスを提供して、CNN をアクセスしやすくし、手動による注釈から最終校正までのプロセス全体を包括的なパイプラインに合理化しました。
サハンド・ジャマル・ラヒ氏は、「ニューロンのセグメント化と追跡に必要な手作業を大幅に削減することで、この新しい方法は分析スループットを完全な手動アノテーションの 3 倍に高めます。この画期的な進歩により、脳画像研究が加速し、神経回路と神経行動についての理解が深まる可能性があります。」と述べました。
コンパイルされたソース: ScitechDaily