Udvikling af hjerneatlas ved hjælp af deep learning algoritmer

Et team af forskere fra Brain Research Institute ved Universitetet i Zürich og Swiss Federal Institute of Technology (ETH) har udviklet en fuldautomatisk hjerneregistreringsmetode, som kan bruges til at segmentere hjerneområder af interesse i mus.

Neurovidenskabsmænd søger altid efter nye metoder til at udforske strukturen og funktionen af ​​forskellige hjerneregioner, som oprindeligt anvendes på dyr, men i sidste ende kan føre til vigtige opdagelser om organiseringen af ​​den menneskelige hjerne.

"Mit laboratorium har til formål at afsløre, hvordan pattedyrshjernen udvikler sine evner til at behandle og reagere på sensoriske stimuli, "Theofanis Karayannis, fortalte en af ​​forskerne, der udførte undersøgelsen, til Tech Xplore. "Det meste af det arbejde, vi laver, er på den eksperimentelle side, at bruge musen som et modelsystem og teknikker, der spænder fra molekylærgenetiske til funktionelle og anatomiske."

Denne undersøgelse er en del af et større projekt, som også inkluderer "Udforskning af hjerneomspændende udvikling af hæmning gennem dyb læring, "en undersøgelse, hvor Karayannis og hans kolleger bruger deep learning algoritmer til omfattende at spore de såkaldte hæmmende neuroner over tid for at måle udviklingen af ​​hjernens evner på bestemte tidspunkter.

At gøre det, de forsøgte at udtænke en metode, der nøjagtigt kunne afgrænse og segmentere forskellige hjerneområder i eksperimentelle billeder af musehjernen under udvikling, for derefter at udtrække information om placeringen og tætheden af ​​hæmmende neuroner.

"Ved at bruge Asim Iqbals computerfærdigheder, en ph.d.-studerende i mit laboratorium, vi søgte først at teste nytten af ​​nogle få billedregistreringsbaserede metoder, som har fået opmærksomhed i neurovidenskabelige studier i løbet af det sidste år, " forklarer Karayannis. "Vi indså hurtigt, at eksisterende teknikker er suboptimale i tilfælde, hvor vævssektionerne roteres, eller når deres geometri er kompromitteret på grund af metodiske problemer, for eksempel under udskæring af hjernevæv."

Efter at have observeret begrænsningerne ved eksisterende billedregistrering-baserede metoder, forskerne satte sig for at udvikle et nyt dybt læringsværktøj, der kan producere pålidelige resultater uanset mulig skala, rotation og morfologiske problemer, der påvirker dele af hjernevæv.

Denne metode, kaldet SeBRe (Segmenting Brain Regions), giver mulighed for registrering gennem segmentering af hjerneområder af interesse, som kunne hjælpe videnskabsmænd i deres undersøgelser af hjerneregioner på tværs af en række udviklingsstadier. SeBRe tager hjernesektioner, såvel som de binære masker af hjerneregioner, som input til træning.

Forskerne trænede deres neurale netværk på hjernesektioner af 14 dage gamle mus, for to genetiske markører. De testede derefter dens ydeevne ved at generere anatomiske masker af tidligere uidentificerede dele af hjernen hos 4, 14, 28, og 56 dage gamle mus, på tværs af en række neuronale markører. SeBRe overgik alle eksisterende hjerneregistreringsmetoder, at give den minimale gennemsnitlige kvadratiske fejl (MSE) score på et musehjernedatasæt.

"Vores undersøgelse giver en roman, robust tilgang til de nuværende affine og ikke-affine metoder til registrering af hjerneområder, " siger Karayannis. "Det peger også på anvendeligheden af ​​en kunstig intelligens-baseret metode til at segmentere hjernestrukturer af interesse."

I fremtiden, SeBRe kunne være medvirkende til at spore og kvantificere anatomiske ændringer i hjernen under udvikling, samt at identificere andre meningsfulde oplysninger, såsom hvilke gener der kommer til udtryk under udviklingen af ​​en musehjerne og deres rumlige og tidsmæssige kvaliteter.

Indtil nu, deres dybe læringsalgoritme er kun blevet trænet på nogle få hjerneområder, og forskerne fandt ud af, at den fungerede suboptimalt på andre områder med komplekse 3D-strukturer.

Karayannis og hans kolleger planlægger nu at skalere deres metode til at segmentere forskellige underregioner i musen og den menneskelige hjerne, ved at bruge mere kommenterede data til yderligere at optimere ydeevnen af ​​deres algoritme.

"Forhåbentlig, denne undersøgelse er begyndelsen på en vej, der i sidste ende vil give os og samfundet mulighed for at udforske ændringer i hjernens struktur og funktion, ikke kun på tværs af forskellige udviklingsstadier, men også ved ødelæggende hjernesygdomme, hjælpe med at identificere nye biomarkører og danne nye hypoteser om sygdomsgenerering og -progression, " siger Karayannis.

© 2018 Tech Xplore