新工具：人工智能比人类更快地识别出神经元

深度学习算法能在很短的时间内准确地映射出活跃的神经元。

　　

Duke大学生物医学工程开发了一种可以像人类研究员一样精确追踪活动神经元形状的自动化工具，而且用时很短。

这项技术基于人工智能来解释视频图像，解决了神经元分析中的一个关键障碍，使研究人员能够快速收集和处理神经元信号，进行实时行为研究。

文章发表在本周的《PNAS》杂志。

为了测量神经活动，研究人员通常使用一种被称为双光子钙成像的程序，允许他们记录活动物大脑中单个神经元的活动。这些记录使研究人员能够跟踪哪些神经元在放电，以及它们如何潜在地对应不同的行为。

虽然这些测量方法对行为研究很有用，但在记录中识别单个神经元却是一个艰苦的过程。目前，最精确的方法需要一名人类分析师圈出他们在视频中看到的每一个“火花”，重复停止-倒带，直到识别并保存目标神经元。更加复杂的是，研究者们通常感兴趣的一小部分活动神经元藏匿于在不同层次上重叠的数千个被成像的神经元之中。

这个过程称为分割（segmentation），既繁琐又缓慢。研究人员不得不花4到24小时在30分钟的视频记录中分割神经元，前提是他们在整个过程中都是全神贯注的，不能休息睡觉、吃饭或上厕所。

相比之下，Duke大学生物医学工程系的图像处理和神经科学研究人员开发的一种新的开源自动算法可以在几分钟内准确识别和分割神经元。

“作为完成大脑活动绘图的关键一步，我们面临着一项艰巨的挑战，即开发一种与人类一样精确的快速自动算法，在不同的实验环境下对各种活动神经元进行图像分割，”生物工程系神经生物学研究员Sina Farsiu副教授说。

助理教授Yiyang Gong说：“在神经科学中数据分析瓶颈已经存在了很长一段时间——数据分析师花了数小时/数天处理数分钟的数据，我们开发的新算法却可以在20到30分钟内处理30分钟的视频。我们还能归纳它的性能，因此，如果我们需要从另一层大脑中分割出不同大小或密度的神经元，它也能同样良好地工作。”

BME博士生、论文第一作者Somayyeh Soltanian-Zadeh说：“我们的基于深度学习的算法速度很快，而且被证明在从双光子显微镜记录中分割活跃和重叠的神经元方面与（如果不是更胜于的话）人类专家同样准确。”

深度学习算法允许研究人员通过多层非线性处理单元快速处理大量数据，这些非线性处理单元可以被训练识别复杂图像的不同部分。在他们的框架中，这个团队创建了一个算法，可以处理输入视频中的空间和时间信息。然后，他们对算法进行“训练”，在提高准确性的同时模仿人类分析师的分割。

这一进展是神经科学家实现实时跟踪神经活动的关键一步。该工具具有广泛的实用性，团队已经将他们的软件和注释数据集放到网上，提供在线使用服务。

Gong已经开始用新方法更密切地研究与小鼠不同行为相关的神经活动了。他希望通过更好地了解哪些神经元因不同的活动而激发，从而了解研究人员如何通过操纵大脑活动来改变行为。

Soltanian-Zadeh说：“活动神经元检测的技术改进可以提供更多关于神经网络和行为状态的信息，并为神经科学实验的加速进展打开大门。”

Gibco倾力巨献《神经生物学实验方案手册》限时免费索取

原文检索：Fast and Robust Active Neuron Segmentation in Two-Photon Calcium Imaging Using Spatio-Temporal Deep-Learning

（生物通：伍松）