使用深度学习算法开发脑图谱

来自苏黎世大学脑研究所和瑞士联邦理工学院(ETH)的一组研究人员开发了一种全自动脑注册方法，可用于分割小鼠感兴趣的大脑区域。

神经科学家一直在寻找探索不同大脑区域结构和功能的新方法，这些方法最初应用于动物，但最终可能导致关于人类大脑组织的重要发现。

“我的实验室旨在揭示哺乳动物大脑如何发展其处理和对感觉刺激作出反应的能力，”进行这项研究的研究人员之一Theofanis Karayannis 告诉Tech Xplore。“我们所做的大部分工作都是在实验方面，利用鼠标作为模型系统和技术，从分子遗传到功能和解剖学。”

这项研究是一个更大项目的一部分，该项目还包括“ 探索通过深度学习抑制大脑的全脑发展 ”，Karayannis和他的同事使用深度学习算法来全面跟踪所谓的抑制性神经元，以便按时间顺序进行在特定时间点衡量大脑能力的发展。

为此，他们尝试设计一种方法，可以准确描绘和分割发育中的小鼠大脑的实验图像中的不同大脑区域，然后提取有关抑制神经元的位置和密度的信息。

“通过利用我实验室博士生Asim Iqbal的计算技能，我们试图首先测试一些基于图像配准的方法的效用，这些方法在过去一年中一直受到神经科学研究的关注，”Karayannis解释道。“我们很快意识到，现有技术对于组织切片旋转或由于方法问题而导致其几何形状受损的情况(例如在脑组织切片期间)不是最理想的。”

在观察了现有基于图像配准的方法的局限性后，研究人员着手开发一种新的深度学习工具，无论可能的尺度，旋转和影响脑组织切片的形态问题如何，都能产生可靠的结果。

这种称为SeBRe(细分脑区域)的方法允许通过分割感兴趣的大脑区域进行登记，这可以帮助科学家在各个发育阶段研究大脑区域。SeBRe将大脑切片以及大脑区域的二元面具作为训练输入。

研究人员将他们的神经网络训练在14日龄小鼠的脑切片上，用于两种遗传标记。然后，他们测试了其在4,14,28和56天大鼠的大脑的先前未识别部分的解剖学面罩中的表现，跨越一系列神经元标记物。SeBRe优于所有现有的脑注册方法，为小鼠大脑数据集提供最小均方误差(MSE)评分。

“我们的研究为当前仿射和非仿射脑区注册方法提供了一种新颖，强大的方法，”Karayannis说。“它还指出了基于人工智能的方法在分割感兴趣的大脑结构中的适用性。”

将来，SeBRe可以在开发过程中跟踪和量化大脑中的解剖变化，以及识别其他有意义的信息，例如在小鼠大脑发育期间表达的基因及其时空特征。

到目前为止，他们的深度学习算法仅在少数大脑区域进行了训练，研究人员发现它在具有复杂三维结构的其他区域上进行了次优化。

Karayannis及其同事现在正计划通过使用更多带注释的数据来进一步优化其算法的性能，从而扩展他们的方法以分割鼠和人脑中的各个子区域。

“希望，这项研究是一条道路的开端，最终将使我们和社区探索大脑结构和功能的改变，不仅在不同的发育阶段，而且在破坏性的脑部疾病，帮助识别新的生物标志物和形成小说关于疾病产生和进展的假设，“Karayannis说。