BigNeuron: revolucionando la reconstrucción de neuronas con IA

Resumen: Los investigadores han publicado un artículo de investigación que detalla su proyecto, BigNeuron. Esta iniciativa tiene como objetivo establecer métodos estándar para la reconstrucción automatizada precisa y rápida de neuronas, utilizando algoritmos de aprendizaje profundo.

El proyecto ofrecerá un conjunto completo de imágenes de reconstrucción neuronal disponibles públicamente y herramientas poderosas para el análisis independiente. Esto podría ayudar a los investigadores a comprender cómo funciona el cerebro y cómo cambia con el tiempo.

Reflejos:

1. BigNeuron es una iniciativa internacional que involucra a informáticos y neurocientíficos de varias instituciones, con el objetivo de crear un marco estándar para la reconstrucción automática de neuronas.
2. El proyecto proporcionará un gran conjunto de datos de imágenes de reconstrucción neuronal disponible públicamente, junto con herramientas de análisis sólidas.
3. El equipo desarrolló un algoritmo automatizado utilizando aprendizaje profundo para discernir 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 los conjuntos de imágenes de calidad variable.

Fuente: A&M de Texas

El Dr. Shuiwang Ji, profesor del Departamento de Informática e Ingeniería de la Universidad de Texas A&M, forma parte de una comunidad de investigación colaborativa que publicó recientemente su artículo, “BigNeuron: A Resource for Assessing and Predicting the Performance of automatizado neuron tracing algoritmos in conjuntos de datos de microscopía de luz” publicado en la edición de abril de la revista métodos naturales.

Iniciada 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 una decena de instituciones.

Su objetivo es desarrollar un marco estándar para ayudar a los investigadores a definir los mejores métodos y algoritmos para una reconstrucción automática rápida y precisa de las neuronas. Luego, “probará” 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, así como herramientas y algoritmos sólidos que los investigadores pueden usar para su propio trabajo analítico.

Solo en el cerebro humano, hay cientos de miles de millones de neuronas, y están conectadas entre sí a través de miles de “ramas” delgadas, formando una estructura de árbol 3D.

Para comprender cómo funciona el cerebro y cómo cambia con el tiempo, los científicos deben poder reconstruir digitalmente estas estructuras neuronales para determinar la forma de cada neurona en una imagen.

Utilizando microscopios de alta resolución para capturar imágenes en 3D de neuronas individuales, los científicos han trabajado en el desarrollo de métodos de reconstrucción neuronal completamente automatizados durante casi 40 años.

Su recreación sigue siendo un desafío debido a la diversidad de especies, la ubicación del cerebro, las etapas de desarrollo y la calidad de los conjuntos de imágenes de microscopía.

Estos factores dificultan la generalización efectiva de los algoritmos existentes cuando se aplican a volúmenes de imágenes obtenidos por diferentes laboratorios.

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

Sobre esta nueva investigación en IA y neurociencia

Autor: lesley henton
Fuente: A&M de Texas
Contactar: Lesley Henton – Texas A&M
Imagen: La imagen está acreditada a Neuroscience News.

Investigacion original: Acceso cerrado.
“BigNeuron: un recurso para comparar y predecir el rendimiento de algoritmos automatizados de seguimiento de neuronas en conjuntos de datos de microscopía óptica” por Shuiwang Ji et al. métodos naturales

Abstracto

BigNeuron es una plataforma de banco de pruebas de comunidad abierta cuyo objetivo es establecer estándares abiertos para el rastreo de neuronas automatizado preciso y rápido. Hemos reunido un conjunto diverso de volúmenes de imágenes a través de múltiples especies que es representativo de los datos obtenidos en muchos laboratorios de neurociencia interesados ​​en rastrear neuronas.

Aquí, informamos las anotaciones manuales de referencia generadas para un subconjunto de los conjuntos de datos de imágenes disponibles y la calidad de seguimiento cuantificada para 35 algoritmos de seguimiento automático. El objetivo de generar un conjunto de datos tan diverso y organizado a mano es avanzar en el desarrollo de algoritmos de rastreo y permitir un análisis comparativo generalizable.

Además de las funciones de calidad de imagen, hemos empaquetado los datos en una aplicación web interactiva que permite a los usuarios y desarrolladores realizar análisis de componentes principales, tú-Incorporación, correlación y agrupamiento de vecinos estocásticos distribuidos, 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 neuromorfológicas relacionadas con el tamaño de las neuronas.

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

Los árboles de consenso resultantes 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 rastreo automático más precisos sin anotaciones manuales para la comparación, utilizamos la regresión de máquina de vectores de soporte para predecir la calidad de la reconstrucción en función de un volumen de imagen d y un conjunto de rutas automáticas.