Google AI提新型神经网络,对神经元进行高精度自动重建

编译 | Just

7 月 16 日, Google AI 发布了一篇博客称,Google Research 部门和 Max Planck 研究所合作提出了一种新型的递归神经网络,它可以提升连接组数据进行自动分析的准确性,相比先前深度学习技术的准确性是数量级的提升。

Jeff Dean 随后也在 Twitter 上转发评价称,“使用人工神经网络重建真实神经元的连接性研究真的很酷。”

▌数量级提升了连接组数据自动分析的准确性

根据维基百科的定义,连接组学(Connectomics)绘制与研究神经连接组(connectomes)是一种刻画有机体神经系统(尤其是脑和眼)的连接方式的完整线路图。由于这些结构极其复杂,高效筛选的神经成像和组织学方法被用于提高绘制神经连接线路图的速度、效率和精度。

连接组学的目的是全面映射神经系统中的神经元网络的结构,以便更好地理解大脑是如何运作的。这个过程需要以纳米分辨率(通常使用电子显微镜)对脑组织进行 3D 成像,然后分析所得到的图像数据,以追踪大脑的神经轴突,并识别单个突触连接。

由于成像的高分辨率,即使是 1 立方毫米的脑组织也可以产生超过 1000 TB 的数据。再加上这些图像中的结构比较微妙和复杂,大脑映射的主要瓶颈是自动分析这些数据,而不是获取数据本身。

Google 与 Max Plank 神经生物学研究所在《Nature Methods》中发表的“ 用泛洪填充网络高效自动重建神经元 (High-Precision Automated Reconstruction of Neurons with Flood-Filling Networks)”一文 ,则展示了一种新型的递归神经网络,如何提升连接组数据自动分析的准确性,这比先前深度学习技术是数量级的提升。

▌使用泛洪填充网络进行 3D 图像分割

在大规模电子显微镜数据中追踪神经轴突是一个图像分割问题。传统算法将该过程划分为至少两个步骤:使用边缘检测器或机器学习分类器找出神经轴突之间的边界,然后使用分水岭(watershd)或图形切割等算法将未被边界分隔的图像像素进行组合。

2015 年,他们开始尝试基于递归神经网络的替代方法,将这两个步骤统一起来。该算法在特定的像素位置播种,然后使用循环卷积神经网络不断地“填充”一个区域,该网络会预测哪些像素是与该特定像素属于同一部分。自 2015 年以来,他们一直致力于将这种新方法应用于大规模的连接组数据集,并严格量化其准确性。

分割对象的泛洪填充网络。黄点是当前焦点区域的中心; 当算法不断检查整个图像时,分割区域会不断扩展(蓝色)。

▌通过预期的运行长度测量精度

他们设计了一个叫做“预期运行长度”(ERL)的度量标准:给出大脑三维图像中随机神经元内的随机点,在犯错前,可以追踪神经元的距离。这是一个平均故障间隔时间(Mean Time Between Failures)的示例,但在这种情况下检测出的是故障之间的空间而不是时间。

对于研究人员而言,ERL 的吸引力在于,它将线性物理路径长度与算法产生的各个错误的频率联系起来,并且可以直接计算。对生物学家来说, ERL 的特定数值可以与生物学相关数量产生联系,例如神经系统不同部分的神经元平均路径长度。

蓝线表示预期运行长度(ERL)的结果。红线表示“合并率”,“合并率”指两个单独的神经轴突被错误地追踪为单个对象的频率; 非常低的合并率对于实现手动识别和纠正重建中的剩余错误很重要。

▌鸣禽的连接组学

他们使用 ERL 测量了在 100 万立方微米的斑胸草雀大脑的真实神经元数据集,发现该方法的表现好于其他应用于同一数据集的深度学习方法。

算法在追踪斑胸草雀大脑中的单个神经轴突

他们使用新的泛洪填充网络方法对斑胸草雀大脑的一小部分神经元进行分割,视频如下:

视频内容

重建一部分斑胸草雀的大脑。不同颜色表示使用填充灌溉网络自动生成的分割的不同对象。金球代表使用以前的方法自动识别的突触位置。

他们还将继续改进连接组学重建技术。为了帮助更多研究团体开发连接组学技术,他们开发了用于泛洪填充网络方法的 TensorFlow 代码,并开发了用于 3D 数据集的 Web GL 可视化软件帮助理解和改进重建结果。

相关链接:

https://ai.googleblog.com/2018/07/improving-connectomics-by-order-of.html

https://www.nature.com/articles/s41592-018-0049-4

——【完】——

原文发布于微信公众号 - AI科技大本营(rgznai100)

原文发表时间:2018-07-17

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏目标检测和深度学习

Uber 开源「神经演化」可视化工具 VINE

算力的提升可能会为旧的算法注入活力。近两年来,神经演化(Neuroevolution)的方法逐渐再次受到关注,包括 OpenAI、DeepMind、Google...

2594
来自专栏加米谷大数据

大数据系统架构实践线下活动精彩回顾

2018年3月22日晚,加米谷大数据第三期大数据系统架构实践线下实战分享会结束啦!

3669
来自专栏AI科技评论

干货 | 让算法解放算法工程师——NAS 综述

AutoML(automated machine learning)是模型选择、特征抽取和超参数调优的一系列自动化方法,可以实现自动训练有价值的模型。AutoM...

2331
来自专栏CSDN技术头条

8个深度学习方面的最佳实践

【摘要】本文介绍了作者在深度学习的课程中学到的八个非常有用的技巧。以下是译文。 我很开心自己在过去的2017年中在人工智能领域获得的成就。我也学了不少数学方面的...

2548
来自专栏人工智能头条

用户在线广告点击行为预测的深度学习模型

4565
来自专栏AI科技评论

开发丨图像处理一定要用卷积神经网络?这里有一个另辟蹊径的方法

近年来,卷积神经网络(CNN)以其局部权值共享的特殊结构在语音识别和图像处理等方面得到了快速发展,特别是大型图像处理方面,更是表现出色,逐渐成为了行业内一个重要...

3009
来自专栏AI研习社

CVPR 2017精彩论文解读:综合使用多形态核磁共振数据的3D生物医学图像分割方法 | 分享总结

论文的故事还在继续 相对于 CVPR 2017收录的共783篇论文,即便雷锋网(公众号:雷锋网) AI 科技评论近期挑选报道的获奖论文、业界大公司论文等等是...

4187
来自专栏机器之心

教程 | 通过可视化隐藏表示,更好地理解神经网络

将神经网络可视化是非常有趣的。对于监督学习而言,神经网络的训练过程可以看做是学习如何将一组输入数据点转换为可由线性分类器进行分类的表示。本文我想利用这些(隐藏)...

751
来自专栏机器之心

学界 | DeepMind新论文提出循环环境模拟器:可适应多种不同环境

选自arXiv.org 机器之心编译 参与:吴攀、黄小天、蒋思源 围棋、视频游戏、迷宫……DeepMind 的人工智能在玩游戏方面可谓是得心应手。DeepMi...

3465
来自专栏量子位

以为GAN只能“炮制假图”?它还有这7种另类用途

最近,AI方案设计师Alexandor Honchar在Medium网站上分享一篇文章。他认为生成对抗网络(GAN)目前在生成图像取得了巨大进展,生成的图像几乎...

1172

扫码关注云+社区

领取腾讯云代金券