Wetenschappers van de Ecole Polytechnique Fédérale de Lausanne (EPFL) en Harvard University hebben een baanbrekende kunstmatige-intelligentiemethode ontwikkeld die convolutionele neurale netwerken met ‘directionele verbetering’ gebruikt om neuronen in bewegende dieren efficiënt te volgen. Dit vermindert de handmatige annotatie aanzienlijk, versnelt het onderzoek naar hersenscans en verdiept ons begrip van neurogedrag.
Wetenschappers van EPFL en Harvard University hebben een op kunstmatige intelligentie gebaseerde methode ontwikkeld voor het volgen van neuronen in bewegende dieren, waardoor de efficiëntie van hersenonderzoek wordt verbeterd met minimale handmatige annotatie.
Recente ontwikkelingen maken beeldvorming van neuronen bij vrij bewegende dieren mogelijk. Om circuitactiviteit te decoderen, moeten deze beeldneuronen echter computationeel worden geïdentificeerd en gevolgd. Dit wordt vooral een uitdaging wanneer de hersenen zelf bewegen en vervormen binnen het flexibele lichaam van een organisme, zoals een worm. Tot nu toe ontbrak het de wetenschappelijke gemeenschap aan de middelen om dit probleem aan te pakken.
Nu heeft een team van wetenschappers van de Ecole Polytechnique Fédérale de Lausanne (EPFL) en de Harvard University een baanbrekende kunstmatige intelligentiemethode ontwikkeld voor het volgen van neuronen in bewegende en vervormende dieren. Het onderzoek, gepubliceerd in Nature Methods, werd geleid door Sahand Jamal Rahi van EPFL's School of Basic Sciences.
De nieuwe methode is gebaseerd op convolutionele neurale netwerken (CNN), een soort kunstmatige intelligentie die is getraind om patronen in afbeeldingen te herkennen en te begrijpen. Dit omvat een proces dat 'convolutie' wordt genoemd, waarbij naar kleine delen van de afbeelding tegelijk wordt gekeken, zoals randen, kleuren of vormen, en vervolgens alle informatie wordt samengevoegd om betekenis te krijgen en objecten of patronen te identificeren.
Het probleem is dat om neuronen te identificeren en te volgen tijdens het fotograferen van de hersenen van een dier, veel beelden met de hand moeten worden geannoteerd, omdat de dieren er op verschillende tijdstippen heel anders uitzien als gevolg van verschillende lichaamsvervormingen. Gezien de diversiteit aan dierhoudingen kan het handmatig genereren van voldoende annotaties om een CNN te trainen lastig zijn.
Om dit probleem op te lossen, ontwikkelden de onderzoekers een verbeterde CNN met "directionele verbetering" -functie. Deze innovatieve technologie synthetiseert automatisch betrouwbare annotaties als referentie uit slechts een beperkt aantal handmatige annotaties. Als gevolg hiervan kunnen CNN's effectief de interne vervormingen van de hersenen leren kennen en deze vervolgens gebruiken om annotaties voor nieuwe poses te maken, waardoor de noodzaak voor handmatige annotaties en herhaalde controles aanzienlijk wordt verminderd.
De nieuwe methode is veelzijdig en kan neuronen identificeren, ongeacht of ze verschijnen als afzonderlijke punten in afbeeldingen of als driedimensionale volumes. De onderzoekers testten het op de nematode Caenorhabditis elegans, die slechts 302 neuronen heeft, waardoor het een populair modelorganisme is in de neurowetenschappen.
Met behulp van verbeterde CNN's maten de wetenschappers de activiteit van enkele interneuronen van de worm (neuronen die signalen doorgeven tussen neuronen). Ze ontdekten dat deze neuronen complex gedrag vertoonden, zoals het veranderen van hun reactiepatronen bij blootstelling aan verschillende stimuli, zoals periodieke uitbarstingen van geuren.
Het onderzoeksteam maakte hun CNN toegankelijk en bood een gebruiksvriendelijke grafische gebruikersinterface die gerichte verbeteringen integreerde, waardoor het hele proces werd gestroomlijnd tot een uitgebreide pijplijn, van handmatige annotatie tot het uiteindelijke proeflezen.
Sahand Jamal Rahi zei: "Door de handmatige inspanning die nodig is om neuronen te segmenteren en te volgen drastisch te verminderen, verhoogt de nieuwe methode de analysedoorvoer tot driemaal die van volledige handmatige annotatie. Deze doorbraak heeft het potentieel om onderzoek naar hersenscans te versnellen en ons begrip van neurale circuits en gedrag te verdiepen."
Samengestelde bron: ScitechDaily