Исследователи из Института исследования мозга при Цюрихском университете недавно разработали метод автоматического обнаружения нейронов разных типов в различных областях мозга на разных стадиях развития. Они представили этот основанный на глубоком обучении инструмент под названием DeNeRD в статье, опубликованной в Nature Scientific Reports.
Картирование структуры мозга млекопитающих на клеточном уровне – важная, но сложная задача, которая обычно включает в себя определение конкретных анатомических особенностей и их анализ. В прошлом исследователи смогли собрать несколько интересных наблюдений и идей о структуре мозга млекопитающих, используя классические гистологические и стереологические методы. Хотя эти методы оказались очень полезными для изучения анатомии мозга, для проведения действительно анализа всего мозга обычно требуется другой подход.
На данный момент исследователи предложили множество методов для анализа клеточного состава мозга в целом, включая инструменты, которые могут обнаруживать и подсчитывать клетки мозга. Хотя некоторые из этих методов дали многообещающие результаты, большинство из них не работают так же хорошо при анализе очень сложных данных визуализации мозга, особенно из областей с плотным сигналом. Осознавая ограничения существующих методов обнаружения и подсчета клеток мозга, команда UZH разработала новый полностью автоматизированный метод обработки изображений всего мозга под названием DeNeRD.
"Необходимость – мать изобретения, и наша мотивация к разработке системы DeNeRD для обнаружения нейронов в изображениях мозга возникла из-за отсутствия обобщенных структур, которые можно было бы легко развернуть для выполнения анализа всего мозга," Асим Икбал, один из исследователей, проводивших исследование, рассказал TechXplore. "Вместо того, чтобы полагаться исключительно на подход, основанный на компьютерном зрении, мы решили выбрать метод на основе машинного обучения (ML) / искусственного интеллекта (AI), который имеет явное преимущество перед первым в предоставлении масштабируемого и универсального решения для анализа. крупномасштабные наборы данных изображений."
DeNeRD, метод обработки мозга, разработанный Икбалом и его коллегами, представляет собой ультрасовременное решение, которое можно применять для множества реальных задач визуализации, включая классификацию, обнаружение и сегментацию объектов. Исследователи черпали вдохновение в высокопроизводительной глубокой нейронной сети, известной как Faster R-CNN, которая является одним из самых передовых методов обнаружения объектов. В своем исследовании, однако, они оптимизировали эту модель глубокого обучения и специально обучили ее обнаруживать нейроны на изображениях мозга мышей, полученных в рамках всего мозга, которые были получены в разном возрасте развития (e.грамм., послеродовой день P4, P14, P56 и т. д.).
Во-первых, исследователи собрали набор данных изображений мозга и пометили их, поместив ограничивающие рамки вокруг нейронов с помощью простой графической программы. Впоследствии они обучили свою глубокую нейронную сеть на этих изображениях, по сути научив ее обнаруживать и подсчитывать клетки мозга.
По завершении этого обучения модель DeNeRD смогла выполнить тщательный анализ изображений всего мозга с автоматическим обнаружением нейронов и регистрацией изображений мозга. Икбал и его коллеги оценили свой метод в серии тестов и обнаружили, что он работает замечательно, обнаруживая нейроны, помеченные различными генетическими маркерами, на широком спектре изображений, полученных с использованием различных методов визуализации.
"Наш метод инвариантен к масштабу, размеру, форме и интенсивности нейронов в изображениях мозга, что идеально подходит для обнаружения нейронов с использованием одной глубокой нейронной сети для различных образцов изображений мозга," Икбал сказал. "Кроме того, наш метод превосходит существующие методы обнаружения нейронов, обеспечивая минимальную ошибку и высокую среднюю среднюю точность."
В будущем эту технику можно будет использовать для быстрого и автоматического проведения более глубокого анализа мозга млекопитающих. Интересно, что производительность DeNeRD носит общий характер, что по сути означает, что новым пользователям не нужно собирать новые наборы данных, маркировать их и переобучать нейронную сеть, прежде чем они смогут ее использовать.
"После обучения на большом наборе данных о головном мозге сеть хорошо работает в обнаружении нейронов в различных генетических маркерах и модальностях визуализации," Икбал сказал. "DeNeRD оптимизирован для обнаружения нейронов на двумерных изображениях мозга, но в будущем мы хотели бы расширить возможности нашего метода для анализа трехмерных стеков мозга, а также для обнаружения / сегментирования микроскопических архитектур на изображениях мозга, таких как как дендритные шипы и т. д."