BigNeuron: Revolucionando la reconstrucción neuronal con inteligencia artificial

resumen: Los investigadores publicaron un artículo que detalla su proyecto BigNeuron. Esta iniciativa busca estandarizar métodos para la reconstrucción automatizada precisa y rápida de neuronas, utilizando algoritmos de aprendizaje profundo.

El proyecto ofrecerá una amplia gama de imágenes de reconstrucción de nervios de acceso público y potentes herramientas para el análisis independiente. Esto puede ayudar a los investigadores a comprender la función cerebral y los cambios a lo largo del tiempo.

Hechos clave:

1. BigNeuron es una iniciativa internacional que involucra a informáticos y neurocientíficos de múltiples instituciones y tiene como objetivo crear un marco estándar para la reconstrucción automática de neuronas.
2. El proyecto proporcionará un amplio conjunto de datos disponible públicamente de imágenes de reconstrucciones neuronales, junto con potentes herramientas de análisis.
3. El equipo desarrolló un algoritmo automatizado utilizando aprendizaje profundo para distinguir la forma de cada neurona en una imagen, superando los desafíos de la diversidad de especies, la ubicación del cerebro, las etapas de desarrollo y la calidad variable del conjunto de imágenes.

fuente: A&M de Texas

El Dr. Xuyang Jie, profesor del Departamento de Ciencias de la Computación e Ingeniería de la Universidad de Texas A&M, es parte de una comunidad de investigación colaborativa que recientemente publicó un artículo titulado «BigNeuron: Un recurso para medir y predecir el rendimiento de los algoritmos para el seguimiento automatizado de neuronas en conjuntos de datos de microscopía óptica” publicado en la edición de abril de la revista caminos de la naturaleza.

Lanzada en 2015 y dirigida por el Instituto Allen para la Ciencia del Cerebro, BigNeuron es una iniciativa internacional que reúne a informáticos y neurocientíficos de decenas de instituciones.

Su objetivo es desarrollar un marco estándar para ayudar a los investigadores a identificar los mejores métodos y algoritmos para reconstruir neuronas de forma rápida y precisa. Luego, haga una «prueba de banco» de los algoritmos en conjuntos de datos de imágenes a gran escala utilizando supercomputadoras.

El proyecto dará como resultado un gran conjunto de imágenes de datos de reconstrucción neuronal disponibles públicamente, junto con poderosas herramientas y algoritmos que los investigadores pueden usar en su trabajo de análisis.

Solo en el cerebro humano, hay cientos de miles de millones de neuronas, y están interconectadas por miles de «ramas» delgadas, formando una estructura tridimensional.

Para comprender cómo funciona el cerebro y cómo cambia con el tiempo, los científicos deben poder reconstruir digitalmente estas estructuras neuronales para ver cómo se ve cada neurona en la imagen.

Usando microscopios de alta resolución para capturar imágenes en 3D de neuronas individuales, los científicos han estado desarrollando formas totalmente automatizadas para reconstruir neuronas durante casi 40 años.

Su reconstitución siguió siendo un desafío debido a la diversidad de especies, la ubicación del cerebro, las etapas de desarrollo y la calidad de las colecciones de micrografías.

Estos factores dificultan la generalización efectiva de los algoritmos actuales cuando se aplican a tamaños de imagen obtenidos por diferentes laboratorios.

Para mitigar este problema, el equipo desarrolló un algoritmo automatizado utilizando aprendizaje profundo para conocer la forma de cada neurona dentro de una imagen determinada.

Sobre esta investigación sobre inteligencia artificial y la nueva neurociencia

autor: Leslie Hinton
fuente: A&M de Texas
comunicación: Leslie Henton – Texas A&M
imagen: Imagen acreditada a Neuroscience News

Búsqueda original: Acceso cerrado.
«BigNeuron: un recurso para medir y predecir el rendimiento de algoritmos para el seguimiento automatizado de neuronas en conjuntos de datos de microscopía óptica.Por Shuiwang Ji et al. caminos de la naturaleza

un resumen

BigNeuron es una plataforma de prueba comunitaria abierta que tiene como objetivo establecer estándares abiertos para el rastreo de neuronas preciso y rápido. Recopilamos una variedad de tamaños de imagen en varios tipos que representan datos obtenidos en varios laboratorios de neurociencia interesados ​​en rastrear neuronas.

Aquí, informamos la anotación manual estándar de oro de un subconjunto de conjuntos de datos de imágenes disponibles y la calidad de seguimiento cuantitativo de 35 algoritmos de seguimiento automático. El objetivo de crear un conjunto tan diverso de datos seleccionados manualmente es avanzar en el desarrollo de algoritmos de seguimiento y permitir la evaluación comparativa generalizable.

Junto con las funciones de calidad de imagen, hemos agregado los datos en una aplicación web interactiva que permite a los usuarios y desarrolladores realizar análisis de componentes principales, RIncrustación de vecinos aleatorios distribuidos, correlación, agregación, visualización de imágenes y datos de seguimiento, y evaluación comparativa de algoritmos de seguimiento automático en subconjuntos de datos definidos por el usuario. Las medidas de calidad de imagen explican la mayor parte de la variación en los datos, seguidas de las características neuromórficas relacionadas con el tamaño de las neuronas.

Notamos que varios algoritmos pueden proporcionar información complementaria para obtener resultados precisos y desarrollamos un método para combinar iterativamente métodos y generar reconstrucciones de consenso.

Los árboles de consenso obtenidos proporcionan estimaciones reales de la estructura neuronal que normalmente superan a los algoritmos individuales en conjuntos de datos ruidosos. Sin embargo, los algoritmos específicos pueden superar la estrategia del árbol de consenso en condiciones de imagen específicas.

Finalmente, para ayudar a los usuarios a predecir los resultados de seguimiento automático más precisos sin anotaciones de comparación manual, utilizamos la regresión de máquina vectorial para predecir la calidad de la reconstrucción dado el tamaño de la imagen y un conjunto de operaciones de seguimiento automático.