利用图形处理器发现人类大脑的连接性

　　

   

   

图片:图片显示了上纵束(SLF)，这是一个连接前额叶和顶叶皮层的白质束，两个与注意力相关的大脑区域。通过弥散MRI和脑束造影对活体脑束进行估计

图片来源:Varsha Sreenivasan和Devarajan Sridharan

印度科学研究所(IISc)的研究人员开发了一种新的基于gpu的机器学习算法，可以帮助科学家更好地理解和预测大脑不同区域之间的连接。

该算法被称为Regularized, Accelerated, Linear Fascicle Evaluation，或real -现实生活，可以快速分析由人脑扩散磁共振成像(dMRI)扫描产生的大量数据。在现实生活中，该团队评估dMRI数据的速度比现有最先进的算法快150倍以上。

印度科学院神经科学中心(CNS)副教授Devarajan Sridharan说:“以前需要数小时到数天的任务可以在几秒到几分钟内完成。”他也是发表在《自然计算科学》杂志上的这项研究的通讯作者。

每秒钟有数百万个神经元在大脑中放电，产生的电脉冲通过连接电缆或“轴突”穿过神经元网络，从大脑的一点传递到另一点。这些连接对于大脑进行计算是必不可少的。该研究的第一作者、CNS的博士生Varsha Sreenivasan说:“理解大脑连接对于大规模揭示大脑行为关系至关重要。”然而，传统的研究大脑连接的方法通常使用动物模型，而且是侵入性的。另一方面，dMRI扫描提供了一种非侵入性的方法来研究人类大脑的连通性。

连接大脑不同区域的电缆(轴突)是大脑的信息高速公路。因为轴突束的形状像管子，水分子沿着轴突的长度以一种定向的方式穿过它们。dMRI允许科学家追踪这种运动，以便绘制出横跨大脑的纤维网络(称为连接体)的全面地图。

不幸的是，精确定位这些连接体并不容易。扫描得到的数据只提供了大脑中每个点的水分子的净流动。“把水分子想象成汽车。得到的信息是在没有道路信息的情况下，车辆在空间和时间各点的方向和速度。我们的任务类似于通过观察这些交通模式来推断道路网络，”斯里德哈兰解释说。

为了准确识别这些网络，传统算法将推断出的连接组预测的dMRI信号与观察到的dMRI信号紧密匹配。科学家们之前开发了一种名为LiFE(线性分集评估)的算法来实现这种优化，但它的挑战之一是它在传统的中央处理器(cpu)上工作，这使得计算耗时。

在这项新研究中，斯里德哈兰的团队调整了他们的算法，以减少包括删除冗余连接在内的几种方式的计算工作量，从而显著提高了LiFE的性能。为了进一步提高算法的速度，该团队还对算法进行了重新设计，使其适用于专门的电子芯片——一种用于高端游戏计算机的芯片——即图形处理单元(gpu)，这种芯片可以帮助他们以比以前快100-150倍的速度分析数据。

这种改进后的算法，在现实生活中，也能够预测人类测试对象将如何行为或执行特定任务。换句话说，利用算法估计的每个人的联系强度，该团队能够解释200名参与者的行为和认知测试分数的差异。

这种分析也可以用于医学。Sreenivasan说:“大规模的数据处理对于大数据神经科学应用越来越必要，尤其是对于理解健康的大脑功能和大脑病理学。”

例如，利用获得的连接体，研究小组希望能够在阿尔茨海默病患者表现出行为行为之前，识别出大脑功能老化或退化的早期迹象。斯里德哈兰说:“在另一项研究中，我们发现，在区分阿尔茨海默病患者和健康对照组方面，现实生活中先前版本的算法比其他竞争算法做得更好。”他补充说，他们基于gpu的实现是非常通用的，并且可以用来解决许多其他领域的优化问题。