首頁熱門文章
前沿：人工智能技術(shù)為大腦制作地圖 ！
發(fā)布時間：2019-07-30 分類：趨勢研究
撰文 | 劉天霖
許多人工智能技術(shù)都受到神經(jīng)科學(xué)的啟發(fā)和影響 。比如，初代的人工神經(jīng)網(wǎng)絡(luò) [1] 就是由兩位神經(jīng)科學(xué)家沃倫·麥卡洛克（Warren McCulloch ）和沃爾特·皮茨 （Walter Pitts）所提出，起初是作為一種模仿大腦神經(jīng)元處理信息的數(shù)學(xué)模型。
盡管在近些年中，人工智能和神經(jīng)科學(xué)兩個領(lǐng)域分離得越來越遠(yuǎn)，但不少著名的研究者，如谷歌 Deepmind 的創(chuàng)始人杰米斯·哈薩比斯（Demis Hassabis），認(rèn)為神經(jīng)科學(xué)的研究會對人工智能的研究有重要的作用 [2]。
神經(jīng)科學(xué)和人工智能兩個領(lǐng)域的交流不是單向的—— 除了通過研究神經(jīng)科學(xué)來為設(shè)計人工智能算法帶來啟發(fā)，越來越多的研究開始反其道而行之：使用人工智能的算法來幫助神經(jīng)科學(xué)的研究。最近發(fā)表在《自然·機(jī)器智能》（Nature Machine Intelligence）期刊并登上期刊封面的論文《使用深度學(xué)習(xí)制作大腦地圖集》（Developing a brain atlas through deep learning）[3]，就是其中的一個例子。
在這篇論文中，研究者們試圖解決如下的問題：如何快速、精確地配準(zhǔn)大規(guī)模的腦成像數(shù)據(jù)集。
現(xiàn)代的腦成像技術(shù)，比如磁共振成像（MRI）技術(shù)，能生成大腦的高清晰度圖像。高質(zhì)量的腦成像能極大的幫助神經(jīng)科學(xué)研究。然而，目前神經(jīng)科學(xué)家對腦圖像數(shù)據(jù)的利用往往非常低效。這是因為，一方面腦成像技術(shù)的發(fā)展加速了腦圖像生成的效率，另一方面，對這些大規(guī)模的圖像數(shù)據(jù)集進(jìn)行手工配準(zhǔn)往往費(fèi)時費(fèi)力，這使得對腦成像數(shù)據(jù)集的定量分析變得很困難。
為了解決這個問題，來自瑞士蘇黎世大學(xué)和蘇黎世理工的論文作者們提出了一項基于人工神經(jīng)網(wǎng)絡(luò)的方法，用以高效地配準(zhǔn)腦成像。和普遍采用的手工分割、標(biāo)注的方法不同，這項方法是自動化的，因此能被用來標(biāo)注大規(guī)模的腦圖像數(shù)據(jù)集。
作者們使用了兩種不同數(shù)據(jù)集：一種是艾倫腦研究所（Allen Brain Institute）提供的標(biāo)注過的小鼠腦區(qū)數(shù)據(jù)集，另一種是互聯(lián)網(wǎng)腦分割數(shù)據(jù)集（Internet Brain Segmentation Repository, IBSR）。在兩種數(shù)據(jù)集上，論文作者們所提出的方法都達(dá)到了很高的精度。作者們認(rèn)為，他們提出的方法標(biāo)志著腦成像圖片標(biāo)注技術(shù)在思路上的一個轉(zhuǎn)變。
在這項方法提出之前，手動的分割圖片往往耗費(fèi)大量時間，其分割階段后的標(biāo)注階段則耗費(fèi)大量的計算資源。作者所提出的方法有望激勵更多的自動化配準(zhǔn)腦成像的方法，并最終取代手工的配準(zhǔn)方法。
參考資料
[1] W. S. McCulloch and W.H. Pitts, A logical calculus of the ideas immanent in nervous activity. Bulletin of Mathematical Biophysics, 5:115-133. 1943.
[2] D. Hassabis, D. Kumaran, C.Summerfield, M. Botvinick,Neuroscience-Inspired Artificial Intelligence, Neuron, Volume 95, Issue 2, 2017, Pages 245-258.
[3] A. Iqbal, R. Khan, and T. Karayannis.Developing a brain atlas through deep learning. Nature Machine Intelligence 1.6: 277. 2019.
制版編輯 | 皮皮魚
沒有神跡，用不著嚇唬，人工智能的真正突破還未到來
當(dāng)你老了，人工智能還能認(rèn)出你嗎？
