一種基于人工智能的腦圖像處理方法

（文章來源：MedPeer）

基于深度學(xué)習(xí)的工作流程系統(tǒng)DeNeRD，框圖顯示了由神經(jīng)元檢測器(TOP)單元處理的來自不同出生后(P)時(shí)間點(diǎn)的腦圖像的輸入。每一張大腦圖像都是通過一個(gè)基于卷積神經(jīng)網(wǎng)絡(luò)(R-CNN)的體系結(jié)構(gòu)依次通過更快的區(qū)域，該體系結(jié)構(gòu)檢測和標(biāo)記整個(gè)大腦圖像中的神經(jīng)元。同樣的圖像也會(huì)通過大腦記錄器(底部)單元傳遞，該單元會(huì)自動(dòng)將其注冊(cè)到Allen開發(fā)的小鼠腦地圖集中。

蘇黎世大學(xué)大腦研究所的研究人員最近在《Nature Scientific Reports》發(fā)表了一項(xiàng)技術(shù)， 可在不同發(fā)育階段的不同腦區(qū)自動(dòng)檢測不同類型的神經(jīng)元。

在細(xì)胞水平上描繪哺乳動(dòng)物大腦的結(jié)構(gòu)是一項(xiàng)重要而又艱巨的任務(wù)，這通常涉及到捕捉特定的解剖特征并對(duì)其進(jìn)行分析。在過去，研究人員能夠利用經(jīng)典的組織學(xué)和體視學(xué)技術(shù)收集一些關(guān)于哺乳動(dòng)物大腦結(jié)構(gòu)有趣的觀察和見解。雖然這些方法對(duì)于研究大腦的解剖是非常有用的，但是進(jìn)行一個(gè)真正的大腦范圍的分析通常需要一種不同的方法。

到目前為止，研究人員已經(jīng)提出了許多方法來分析整個(gè)大腦的細(xì)胞組成，這些方法包括能夠檢測和計(jì)數(shù)腦細(xì)胞的工具。雖然其中一些方法取得了很好的效果，但在分析高度復(fù)雜的腦成像數(shù)據(jù)時(shí)，尤其是從密集信號(hào)區(qū)域分析時(shí)，大多數(shù)方法的效果并不理想。由于意識(shí)到現(xiàn)有的腦細(xì)胞檢測和計(jì)數(shù)技術(shù)的局限性，UZH的團(tuán)隊(duì)開發(fā)了一種新的全自動(dòng)全腦圖像處理技術(shù)，稱為DeNeRD。

展示了用于神經(jīng)元檢測的DeNeRD細(xì)管中的深層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。一個(gè)小的腦切片圖像作為輸入，經(jīng)過一系列的卷積階段，區(qū)域提議網(wǎng)絡(luò)(RPN)，感興趣區(qū)域(ROI)池和RCNN分類器。將RPN和ROI輸出組合在一起，作為RCNN分類器的輸入，從而區(qū)分神經(jīng)元和背景類。

由Iqbal和他的同事設(shè)計(jì)的大腦處理技術(shù)DeNeRD是一種最先進(jìn)的解決方案，可以應(yīng)用于各種現(xiàn)實(shí)世界的成像任務(wù)，包括對(duì)象分類、檢測和分割。研究人員從被稱為Faster R-CNN的深度神經(jīng)網(wǎng)絡(luò)的高性能中獲得靈感，這是最先進(jìn)的對(duì)象檢測技術(shù)之一。在這項(xiàng)研究中，他們優(yōu)化了這種深度學(xué)習(xí)模型，并專門訓(xùn)練它來檢測小鼠大腦全腦圖像中的神經(jīng)元，這些圖像是在不同的發(fā)育年齡拍攝的（例如：出生后第4天、第14天、第56天等）。

首先，研究人員收集了一組大腦圖像，并給它們貼上標(biāo)簽，用一個(gè)簡單的圖形程序在神經(jīng)元周圍放置邊界框。隨后，他們對(duì)這些圖像進(jìn)行了深度神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，實(shí)質(zhì)上是教它檢測和計(jì)數(shù)腦細(xì)胞。神經(jīng)元檢測器在P14 GAD1小鼠大腦圖像上的輸出如圖所示。藍(lán)色方框描繪了放大的圖像，在不同的神經(jīng)元密度區(qū)域，可以看到標(biāo)記的神經(jīng)元及其在邊界方框上的分類分?jǐn)?shù)的檢測。

訓(xùn)練完成后，DeNeRD模型能夠?qū)θX圖像進(jìn)行徹底的分析，并進(jìn)行自動(dòng)神經(jīng)元檢測和腦圖像配準(zhǔn)。Iqbal和他的同事們?cè)谝幌盗械?u>測試中對(duì)他們的方法進(jìn)行了評(píng)估，發(fā)現(xiàn)它表現(xiàn)得非常好，在使用各種成像技術(shù)收集的大量圖像中檢測出標(biāo)記有不同遺傳標(biāo)記的神經(jīng)元。

Iqbal說：“我們的方法不受腦圖像中神經(jīng)元的規(guī)模、大小、形狀和強(qiáng)度的影響，這是一種理想的方法，可以使用單一的深度神經(jīng)網(wǎng)絡(luò)對(duì)各種腦成像樣本進(jìn)行神經(jīng)元檢測?！贝送?，通過提供最小誤差和高平均精度，我們的方法優(yōu)于現(xiàn)有的神經(jīng)元檢測方法。未來，該技術(shù)可以快速、自動(dòng)地對(duì)哺乳動(dòng)物的大腦進(jìn)行更深入的分析。有趣的是，DeNeRD的性能是通用的，這在本質(zhì)上意味著新用戶不需要收集新的數(shù)據(jù)集，標(biāo)記它們并在使用之前對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行重新訓(xùn)練。

“一旦在大型腦數(shù)據(jù)集上進(jìn)行訓(xùn)練，該網(wǎng)絡(luò)就能很好地檢測各種遺傳標(biāo)記和成像模式中的神經(jīng)元。” Iqbal說，“DeNeRD在檢測二維大腦圖像中的神經(jīng)元方面做了優(yōu)化，但在未來，我們希望將該方法的性能擴(kuò)展到分析三維大腦堆棧，以及檢測/分割大腦圖像中的微觀結(jié)構(gòu)，如樹突棘等?！?/p>