更新时间：2024-09-21 03:52:45点击：
近日，谷歌与马克斯·普朗克神经生物学研究所合作，在《Nature Methods》上公开发表了一篇重磅论文，用于一种循环神经网络算法对神经元相连组展开自动重构，不仅可以对相连组展开高分辨率的可视化光学，而且准确度提升了一个数量级，为相连组学的研究带给了新的突破。在神经系统中绘制神经网络的结构——这是一个被称作「相连组学」的研究领域——毫无疑问是计算出来密集型的。
人类的大脑中有约860亿个通过100万亿个神经元连接起来的神经元，而对一个立方毫米的大脑的组织展开光学，就可以分解多达1000TB的数据（10亿张照片）。据《相连组：可谓独一无二的你》这本书中讲解，相连组学主要是通过分析神经元之间的相连和的组织方式来超过分析大脑的运行机制这一终极目的的一门学科。
相连主义指出大脑的工作机制就蕴藏在神经元的相连中。如果两个神经元之间，有一个神经元交会点，那么这两个神经元就是“有相连的”。通过神经元，一个神经元可以把信息传送给另一个神经元。
录：神经元的结构AI助力神经元相连组可视化光学，准确度提升一个数量级为了看见相连组，科学家们经历了各种探寻。较为常用的是给大脑的组织染色，然后用电子显微镜来仔细观察大脑切片，以此取得神经元相连的大量局部明确信息，再聚合在一起包含大脑的整个神经网络信息，但是在具体操作过程中要解决许多艰难，花费大量的人力物力。第二种是通过MRI（核磁共振）的方法对活体大脑展开观测，但是分辨率较低，只有毫米级。如果我们能将大脑中神经元相连的信息和相连组信息展开高分辨率的可视化光学，那么一个人大脑否损毁就可以一目了然，对一些高难度的脑部疾病展开有针对性的化疗将沦为有可能。
7月16日，在公开发表于《Nature Methods》杂志上的一篇取名为《利用泛洪网络对神经元展开高精度的自动重构》（High-Precision Automated Reconstruction of Neurons with Flood-Filling Networks）的论文中，谷歌和马克斯·普朗克神经生物学研究所(Max Planck Institute of Neurobiology)的科学家们展出了一种循环神经网络算法（常用于手写和语音辨识的机器学习算法），专为相连组学分析量身定做。谷歌的研究人员并不是第一个将机器学习应用于相连组学的人。今年3月，英特尔与麻省理工学院的计算机科学和人工智能实验室合作，研发了“下一代”大脑图像处理系统。
但谷歌声称，他们的模型比以往还包括英特尔在内的企业公布的深度自学技术在准确性上提升了一个数量级。录：谷歌的算法在鸣禽大脑中跟踪一个3D的神经神经元利用泛洪网络（Flood-FillingNetworks）算法展开三维图像拆分在大型电子显微镜数据中追踪神经网络是图像拆分的常用方法。传统的算法将这一过程区分为最少两个步骤:用于边缘检测器或机器学习分类器寻找神经网络之间的边界，然后用于watershed 或 graph cut 等算法将并未被边界拆分的图像像素展开分组。2015年，研究人员开始尝试一种基于迭代神经网络的替代方法，将这两步融合一起。
该算法在一个特定的像素点上定点，然后用于循环卷积神经网络递归“填满”一个区域，该神经网络可以预测哪些像素与初始像素完全相同。(公众号：)录：在2D中拆分对象的Flood-Filling网络原作预期运营长度测量准确性自2015年以来，研究人员仍然致力于将这种新方法应用于大型相连组数据集，并严苛分析其准确性。为了检验准确性，研究小组原作了“预期运营长度”(ERL)这一指标，在大脑的3D图像中随机提取神经元并展开追踪，然后测量算法在错误前追踪神经元的距离。
录：蓝线回应用于ERL测量的结果；红线回应“拆分亲率”，即两个独立国家的神经元被误以为一个目标展开追踪的频率研究小组报告说道，在对100万立方微米的斑胸草雀大脑展开脑部扫瞄，后用 ERL 展开测量后，该模型的展现出比之前的算法“要好得多”。录：利用泛洪网络算法自动重构斑胸草雀大脑神经元“这些自动化产生的结果融合少量的额外人力投放就可以避免剩下误差,马克斯普朗克研究所的研究人员现在可以研究鸣禽相连组，从而取得新的了解理解，如斑胸草雀如何唱歌，如何自学唱歌”，这篇论文的作者Viren Jain 和 Michal Januszewski在一篇博客文章中写到。除了论文之外，团队还在Github上公布了模型的TensorFlow代码，以及他们用来展开数据集可视化和改良重构结果的WebGL 3D软件。
他们计划在未来改良这个系统，以使神经元解析过程几乎自动化，并“为马克斯·普朗克研究所和其他机构的项目获取协助”。via:venturebeat；googleblog；nature原创文章，予以许可禁令刊登。下文闻刊登须知。
本文来源：南宫NG·28-www.etmoc.net
