洛桑联邦理工学院(EPFL)和哈佛大学的科学家报告了一种人工智能方法的开发，该方法可以跟踪移动和扭曲动物体内的神经元。这项研究“利用深度学习和定向增强对移动和变形动物内部进行自动神经元跟踪”发表在《自然方法》上，由洛桑联邦理工学院基础科学学院的SahandJamalRahi博士领导。

旨在增进对神经回路理解的人工智能技术

“从三维(3D)功能成像中读出神经元活动需要分割和跟踪单个神经元。如果大脑发生移动和变形，这对于动物的行为来说是一个挑战。传统方法是使用代表不同大脑姿势的图像的真实(GT)注释来训练卷积神经网络，”Rahi和他的同事写道。

“对于3D图像来说，这是非常耗费人力的。我们引入了有针对性的增强，这是一种从一些手动注释自动合成人工注释的方法。我们的方法(“Targettrack”)学习大脑的内部变形，通过变形GT注释来合成新姿势的注释。这减少了手动注释和校对的需要。”

“图形用户界面允许端到端地应用该方法。我们在录音中演示了Targettrack，其中神经元被标记为关键点或3D体积。通过分析暴露于气味脉冲的自由移动的动物，我们发现了中间神经元动力学的丰富模式，包括打开和关闭神经元夹带。

拉希说：“这一突破有可能加速大脑成像研究，加深我们对神经回路和行为的理解。”

卷积神经网络

这项新技术基于卷积神经网络(CNN)，这是一种经过训练可以识别和理解图像模式的人工智能。这涉及到一个称为“卷积”的过程，它一次查看图片的一小部分，例如边缘、颜色或形状，然后将所有这些信息组合在一起以理解它并识别对象或图案。

问题在于，为了在动物大脑的电影中识别和跟踪神经元，许多图像必须手动标记，因为由于许多不同的身体扭曲，动物随着时间的推移会出现不同的情况。考虑到动物姿势的多样性，手动生成足够数量的注释来训练CNN可能是一项艰巨的任务。

为了解决这个问题，研究人员开发了一种具有针对性增强功能的增强型CNN。该方法仅从一组有限的手动注释中自动合成注释以供参考。结果是，CNN学习大脑的内部扭曲，然后使用它们为新姿势创建注释，从而大大减少了手动注释和双重检查的需要。

据报道，新方法能够识别神经元，无论它们在图像中表示为单个点还是3D体积。研究人员在秀丽隐杆线虫(Caenorhabditiselegans)身上进行了测试，该线虫拥有302个神经元，使其成为神经科学领域流行的模型生物。

使用增强型CNN，科学家测量了一些线虫中间神经元的活动。他们发现它们表现出复杂的行为，例如，当暴露于不同的刺激时，例如周期性爆发的气味，它们的反应模式会改变。

Rahi表示，该团队使其CNN变得易于访问，提供了一个用户友好的图形用户界面，集成了有针对性的增强功能，将流程简化为一个全面的管道，从手动注释到最终校对。