鈣成像記錄了細胞在體內的大規模神經元活動。自動、快速、可靠的活動神經元分割是利用神經元信號進行實時行為研究以發現成像後神經元編碼特性的分析工作流中的關鍵步驟。目前，最準確的方法需要人類分析師手動追蹤，但識別記錄單個神經元是一個艱苦又緩慢的過程，假設研究人員不吃不喝不睡且注意力高度集中，30min的視頻需要4-24h才能完成神經元分割。
相比之下，杜克大學生物醫學工程系（BME）的圖像處理和神經科學研究人員開發的一種新的開源自動算法可以在幾分鐘內準確識別和分割神經元，且準確度和人類一樣高。相關研究發表在PNAS上。
https://doi.org/10.1073/pnas.1812995116
杜克大學的研究員、教授龔益陽說：“神經科學領域的數據分析的瓶頸已經存在很長時間了——數據分析師花費數小時處理數分鐘的數據，但是這個算法可以在20-30分鐘內處理30分鐘的視頻。而且這種算法還能拓展，所以如果需要從具有不同神經元大小或密度的另一層大腦分割神經元，它可以同樣良好地運作。”
該研究的第一作者Somayyeh Soltanian-Zadeh博士說，“我們基於深度學習的算法很快，並且證明與從雙光子顯微鏡記錄中分割活躍和重疊神經元的人類專家一樣準確。”
深度學習算法允許研究人員通過多層非線性處理單元快速處理大量數據，這些處理單元可以通過訓練來識別複雜圖像的不同部分。在這個數據框架中，研究團隊創建了一個算法，可以處理輸入視頻中的空間和定時信息。然後，研究人員訓練算法模擬人類分析師的分割模式，並且提高算法準確性。
目前，龔益陽教授已經在使用這種新方法來更密切地研究與小鼠不同行為相關的神經活動。
Soltanian-Zadeh說：“活躍神經元檢測效率的提高，人類將獲得更多關於神經網絡和行為狀態的信息，這將為神經科學實驗的加速進展打開大門。”
此外，研究人員已經免費公開了開源軟件和他們仔細註釋的數據集。
End
[1] AI Technique Opens Door for Accelerated Progress in Neuroscience Research
[2] Fast and robust active neuron segmentation in two-photon calcium imaging using spatiotemporal deep learning
本文系生物探索原創，歡迎個人轉發分享。其他任何媒體、網站如需轉載，須在正文前註明來源生物探索。
閱讀更多 生物探索 的文章
