来源：news.wsu.edu
作者：Tina Hilding
编译：刘小芹
【新智元导读】华盛顿州立大学姬水旺等人的研究团队首次提出一种计算机算法，在绘制大脑神经网络方面的准确度达到几乎与人类同等的水平，这是有助于加速用于理解大脑回路的图像分析的一项突破。相关论文发表在《生物信息学》（Bioinformatics）。
论文地址：https://academic.oup.com/bioinformatics/article-abstract/33/16/2555/3096435/DeepEM3D-approaching-human-level-performance-on-3D
几十年来，人们一直在努力加深对大脑神经回路的了解，但其庞大和复杂性是一大挑战。这项研究的主管研究员、WSU电气工程和计算机科学学院副教授姬水旺（Shuiwang Ji）说，这就像拥有一张地球的卫星图像，我们要尝试绘制出地球上的1000亿个房子，以及将所有房子连接起来的街道和每个人的目的地。
图：左边的2个图是一小部分大脑组织的原始电子显微镜图像；右边的两个图是计算机生成的彩色脑图，其中不同的颜色代表不同的神经元。
实际上，研究人员花了十多年的时间才完整绘制出一个动物的大脑神经回路——一只只有302个神经元的线虫。但是，人类的大脑拥有大约1000亿个神经元，完全了解其回路所需的数据量是1000艾字节（exabytes），这相当于目前世界上所有的数据。
为了绘制神经元，研究人员当前使用的方法是用电子显微镜拍照——每张图像通常只包含很少量的神经元。然后，研究人员要研究每个神经元的形状、大小，以及它与附近神经元的数以千计的连接，目的是了解该神经元在行为学获生物学中的作用。
姬水旺说：“我们对大脑如何工作的了解非常少。”
对大脑回路的了解如此少，这限制了研究人员了解严重脑疾病（例如阿尔茨海默病，精神分裂症，孤独症或帕金森症病）发病原因的能力。这些疾病目前必须依靠反复试验和错误实验来寻找治疗方法。美国国家工程院已将理解人类大脑列为21世纪的巨大挑战之一。
2013年，麻省理工学院（MIT）发起一场比赛，呼吁研究人员开发能够加速图像分析，解码和理解大脑回路图的算法。作为比赛的一部分，算法的工作会被与真正的神经科学家团队的工作进行比较。假如计算机能够达到人类水平的准确度，那么它们也能够比人类更快、更便宜地做这类计算。
WSU的研究团队开发了第一个能够达到人类水平准确度的计算模型。
正如人类通过眼睛接收信息，然后经过多个阶段对这些信息进行分析。WSU的团队开发的计算模型是将图像作为输入，然后在一个多层的网络中对其进行处理，最后得出决策。在他们的算法中，研究人员开发了一种模拟人类复杂的生物神经网络的人工神经网络。
虽然WSU研究团队的算法在MIT的挑战赛中达到了人类研究团队水平的准确度，但是使用计算机绘制完整、准确的神经回路图，仍有许多工作要做。姬先生说，计算机在绘制时仍然出现了大量的错误，而且比较人工结果和计算机的结果也没有一个确定的标准。但姬先生也补充说，尽管自动化的方法在短期内完全取代人工可能不现实，但计算方法的进步肯定能够减少手工绘制的工作量。
论文：DeepEM3D：接近人类水平的3D各向异性EM图像分割
摘要
研究动机：3D电子显微镜（EM）成像的进展很大地促进了高通量数据采集中的神经科学研究。相应地，高通量自动化图像分析方法是跟上数据产生的速度的工作所必需的。一个例子是用于神经元轴突重建的自动化EM图像分割。但是，当前的方法在效率和可靠性上都仍然不及人工水平。
研究结果：本研究中，我们提出DeepEM3D算法，这是一种用于分割3D各向异性（anisotropic）脑电镜图像的深度学习方法。在这种方法中，深度学习模型可以结合大量的多尺度语境信息来有效构建特征表示。我们提出采用一种新的边界图生成方法，以及优化的模型集合来解决分割各向异性图像任务的挑战。我们通过参与EM图像神经元突触3D分割（SNEMI3D）挑战赛来评估我们的方法。截至2016年10月15日，我们的提交在目前的排行榜中排名第一。更重要的是，我们的结果与作为评估指标的人类研究团队的水平表现非常接近，即 Rand error 为0.06015，人类的表现是0.05998。
图1：DeepEM3D的架构
图2：产生3D分割的流程
图3：在对齐良好的图像堆栈中预测边界的示例
图4：在不对齐的图像堆栈中预测边界的示例
原文：https://news.wsu.edu/2017/08/16/brain-mapping
【号外】新智元正在进行新一轮招聘，飞往智能宇宙的最美飞船，还有N个座位
点击阅读原文可查看职位详情，期待你的加入~
