249. NEUROSCIENCES
GranNeuron : révolutionner la reconstruction des neurones avec l'IA
Résumé : Les chercheurs ont publié un document de recherche détaillant leur projet, BigNeuron. Cette initiative vise à établir des méthodes standard pour la reconstruction automatisée précise et rapide des neurones, à l'aide d'algorithmes d'apprentissage en profondeur.
Le projet offrira un ensemble complet d'images de reconstruction neuronale accessibles au public et de puissants outils d'analyse indépendante. Cela pourrait aider les chercheurs à comprendre le fonctionnement du cerveau et les changements au fil du temps.
Faits marquants :
1. BigNeuron est une initiative internationale impliquant des informaticiens et des neuroscientifiques de plusieurs institutions, visant à créer un cadre standard pour la reconstruction automatique des neurones.
2. Le projet fournira un vaste ensemble de données d'images de reconstruction neurale accessible au public, ainsi que des outils d'analyse robustes.
3. L'équipe a développé un algorithme automatisé utilisant l'apprentissage en profondeur pour discerner la forme de chaque neurone dans une image, surmontant les défis de la diversité des espèces, de l'emplacement du cerveau, des stades de développement et de la qualité variable des ensembles d'images.
Source: Texas A&M
Le Dr Shuiwang Ji, professeur au Département d'informatique et d'ingénierie de l'Université Texas A&M, fait partie d'une communauté de recherche collaborative qui a récemment publié son article intitulé "BigNeuron : une ressource pour évaluer et prédire les performances des algorithmes de traçage automatisé des neurones in light microscopy datasets » publié dans le numéro d'avril de la revue Nature Methods .
Initiée en 2015 et portée par l'Allen Institute for Brain Science, BigNeuron est une initiative internationale qui rassemble des informaticiens et des neuroscientifiques d'une dizaine d'institutions.
Son objectif est de développer un cadre standard pour aider les chercheurs à définir les meilleures méthodes et algorithmes pour une reconstruction automatique rapide et précise des neurones. Ensuite, il «testera» les algorithmes sur des ensembles de données d'images à grande échelle à l'aide de superordinateurs.
Le projet aboutira à un vaste ensemble d'images de données de reconstruction neuronale accessibles au public, ainsi qu'à des outils et algorithmes robustes que les chercheurs pourront utiliser pour leurs propres travaux d'analyse. Crédit : Neuroscience News
Le projet aboutira à un vaste ensemble d'images de données de reconstruction neuronale accessibles au public, ainsi qu'à des outils et algorithmes robustes que les chercheurs pourront utiliser pour leurs propres travaux d'analyse.
Rien que dans le cerveau humain, il y a des centaines de milliards de neurones, et ils sont connectés les uns aux autres via des milliers de fines "branches", formant une structure arborescente 3D.
Pour comprendre comment le cerveau fonctionne et change au fil du temps, les scientifiques doivent être capables de reconstruire numériquement ces structures neuronales pour déterminer la forme de chaque neurone dans une image.
En utilisant des microscopes à haute résolution pour capturer des images 3D de neurones individuels, les scientifiques ont travaillé sur le développement de méthodes de reconstruction neuronale entièrement automatisées pendant près de 40 ans.
Leur recréation est restée un défi en raison de la diversité des espèces, de l'emplacement du cerveau, des stades de développement et de la qualité des ensembles d'images de microscopie.
Ces facteurs rendent difficile la généralisation efficace des algorithmes existants lorsqu'ils sont appliqués à des volumes d'images obtenues par différents laboratoires.
Pour atténuer ce problème, l'équipe a développé un algorithme automatisé utilisant l'apprentissage en profondeur pour déterminer la forme de chaque neurone à l'intérieur d'une image particulière.
À propos de cette nouvelle recherche sur l'IA et les neurosciences
Auteur : Lesley Henton
Source : Texas A&M
Contact : Lesley Henton – Texas A&M
Image : L'image est créditée à Neuroscience News
Recherche originale : Accès fermé.
« BigNeuron : une ressource pour comparer et prédire les performances des algorithmes de traçage automatisé des neurones dans les ensembles de données de microscopie optique » par Shuiwang Ji et al. Méthodes naturelles
Abstrait
BigNeuron est une plate-forme de banc d'essai communautaire ouverte dont l'objectif est d'établir des normes ouvertes pour un traçage automatique précis et rapide des neurones. Nous avons rassemblé un ensemble diversifié de volumes d'images sur plusieurs espèces qui est représentatif des données obtenues dans de nombreux laboratoires de neurosciences intéressés par le traçage des neurones.
Ici, nous rapportons les annotations manuelles de référence générées pour un sous-ensemble des ensembles de données d'imagerie disponibles et la qualité de traçage quantifiée pour 35 algorithmes de traçage automatique. L'objectif de générer un tel ensemble de données diversifiées et organisées à la main est de faire progresser le développement d'algorithmes de traçage et de permettre une analyse comparative généralisable.
En plus des fonctionnalités de qualité d'image, nous avons regroupé les données dans une application Web interactive qui permet aux utilisateurs et aux développeurs d'effectuer une analyse en composantes principales, une intégration de voisins stochastiques à distribution t , une corrélation et un regroupement, une visualisation des données d'imagerie et de traçage et une analyse comparative des algorithmes de traçage automatique. dans des sous-ensembles de données définis par l'utilisateur. Les mesures de qualité d'image expliquent la majeure partie de la variance des données, suivies des caractéristiques neuromorphologiques liées à la taille des neurones.
Nous avons observé que divers algorithmes peuvent fournir des informations complémentaires pour obtenir des résultats précis et avons développé une méthode pour combiner de manière itérative les méthodes et générer des reconstructions consensuelles.
Les arbres de consensus obtenus fournissent des estimations de la vérité terrain de la structure des neurones qui surpassent généralement les algorithmes uniques dans des ensembles de données bruyants. Cependant, des algorithmes spécifiques peuvent surpasser la stratégie de l'arbre consensus dans des conditions d'imagerie spécifiques.
Enfin, pour aider les utilisateurs à prédire les résultats de traçage automatique les plus précis sans annotations manuelles à des fins de comparaison, nous avons utilisé la régression de machine vectorielle de support pour prédire la qualité de la reconstruction en fonction d'un volume d'image et d'un ensemble de tracés automatiques.
Juin 2023
