Wissenschaftler der Ecole Polytechnique Fédérale de Lausanne (EPFL) und der Harvard University haben eine bahnbrechende Methode der künstlichen Intelligenz entwickelt, die Faltungs-Neuronale Netze mit „Richtungsverstärkung“ nutzt, um Neuronen in sich bewegenden Tieren effizient zu verfolgen. Dies reduziert die manuelle Annotation erheblich, beschleunigt die Forschung zur Bildgebung des Gehirns und vertieft unser Verständnis des Neuroverhaltens.
Wissenschaftler der EPFL und der Harvard University haben eine auf künstlicher Intelligenz basierende Methode zur Verfolgung von Neuronen in sich bewegenden Tieren entwickelt und so die Effizienz der Gehirnforschung mit minimalem manuellen Kommentar verbessert.
Jüngste Fortschritte ermöglichen die Abbildung von Neuronen in sich frei bewegenden Tieren. Um die Schaltkreisaktivität zu entschlüsseln, müssen diese bildgebenden Neuronen jedoch rechnerisch identifiziert und verfolgt werden. Dies wird besonders schwierig, wenn sich das Gehirn selbst innerhalb des flexiblen Körpers eines Organismus, beispielsweise eines Wurms, bewegt und verformt. Bisher fehlten der wissenschaftlichen Gemeinschaft die Werkzeuge, um dieses Problem anzugehen.
Jetzt hat ein Team von Wissenschaftlern der Ecole Polytechnique Fédérale de Lausanne (EPFL) und der Harvard University eine bahnbrechende Methode der künstlichen Intelligenz zur Verfolgung von Neuronen in sich bewegenden und deformierenden Tieren entwickelt. Die in Nature Methods veröffentlichte Forschung wurde von Sahand Jamal Rahi von der Fakultät für Grundlagenwissenschaften der EPFL geleitet.
Die neue Methode basiert auf Convolutional Neural Networks (CNN), einer Art künstlicher Intelligenz, die darauf trainiert ist, Muster in Bildern zu erkennen und zu verstehen. Dabei handelt es sich um einen Prozess namens „Faltung“, der jeweils kleine Bildteile wie Kanten, Farben oder Formen betrachtet und dann alle Informationen zusammenfügt, um einen Sinn zu ergeben und Objekte oder Muster zu identifizieren.
Das Problem besteht darin, dass zur Identifizierung und Verfolgung von Neuronen beim Fotografieren des Gehirns eines Tieres viele Bilder von Hand mit Anmerkungen versehen werden müssen, da die Tiere aufgrund unterschiedlicher Körperverformungen zu unterschiedlichen Zeiten sehr unterschiedlich aussehen. Angesichts der Vielfalt der Tierposen kann es entmutigend sein, manuell eine ausreichende Anzahl von Anmerkungen zum Trainieren eines CNN zu generieren.
Um dieses Problem zu lösen, entwickelten die Forscher ein erweitertes CNN mit der Funktion „Richtungsverstärkung“. Diese innovative Technologie synthetisiert automatisch zuverlässige Anmerkungen als Referenz aus nur wenigen manuellen Anmerkungen. Dadurch können CNNs die internen Deformationen des Gehirns effektiv erlernen und diese dann zum Erstellen von Anmerkungen für neue Posen verwenden, wodurch der Bedarf an manuellen Anmerkungen und wiederholten Überprüfungen erheblich reduziert wird.
Die neue Methode ist vielseitig einsetzbar und kann Neuronen identifizieren, unabhängig davon, ob sie als einzelne Punkte in Bildern oder als dreidimensionale Volumina erscheinen. Die Forscher testeten es am Nematoden Caenorhabditis elegans, der nur 302 Neuronen hat und ihn zu einem beliebten Modellorganismus in den Neurowissenschaften macht.
Mithilfe verbesserter CNNs haben die Wissenschaftler die Aktivität einiger Interneuronen des Wurms gemessen (Neuronen, die Signale zwischen Neuronen weiterleiten). Sie fanden heraus, dass diese Neuronen komplexe Verhaltensweisen zeigten, wie zum Beispiel die Änderung ihrer Reaktionsmuster, wenn sie verschiedenen Reizen ausgesetzt wurden, wie zum Beispiel periodischen Geruchsausbrüchen.
Das Forschungsteam machte sein CNN zugänglich und stellte eine benutzerfreundliche grafische Benutzeroberfläche bereit, die gezielte Verbesserungen integrierte und den gesamten Prozess in einer umfassenden Pipeline von der manuellen Anmerkung bis zum abschließenden Korrekturlesen rationalisierte.
Sahand Jamal Rahi sagte: „Durch die drastische Reduzierung des manuellen Aufwands zum Segmentieren und Verfolgen von Neuronen erhöht die neue Methode den Analysedurchsatz auf das Dreifache im Vergleich zur vollständigen manuellen Annotation. Dieser Durchbruch hat das Potenzial, die Forschung in der Bildgebung des Gehirns zu beschleunigen und unser Verständnis neuronaler Schaltkreise und Verhaltensweisen zu vertiefen.“
Zusammengestellte Quelle: ScitechDaily