谷歌AI自动重建果蝇大脑,离绘制人脑更进一步

640?wx_fmt=jpeg
 来源:googleblog、biorxiv、venturebeat


导语:将果蝇的大脑分割成成千上万个40纳米的超薄切片?不怕,谷歌新AI技术能够重建果蝇完整大脑。

智东西8月6日消息,据外媒报道,谷歌刚刚公布了一项最新研究结果“用洪水填充网络(Flood-Filling Networks)和局部调整方法(Local Realignment)自动重建连续切片成像的果蝇大脑”。

640?wx_fmt=jpeg

▲论文首页截图

这项研究是谷歌与霍华德休斯医学研究所(HHMI)、剑桥大学合作进行的,一共16位研究人员参与了这个研究,主要目标是通过绘制果蝇大脑的完整的神经网络以了解神经系统是如何运作的,并最终绘制出人类大脑图像。

值得注意的是,这并不是第一次完整绘制果蝇大脑,MIT和霍华德·休斯医学研究所(HHMI)科学家们在今年1月已经成功对果蝇的完整大脑进行了成像,并且清晰度达到了纳米级,但那次由于是使用显微镜进行成像,仍然属于人工方法。

640?wx_fmt=gif

将果蝇大脑分割成成千上万40纳米切片

选择果蝇的大脑进行研究并不是随机的,正如该论文的几位合著者在一篇博客文章中指出,与青蛙大脑(超过1000万个神经元)、老鼠大脑(1亿个神经元)、章鱼大脑(50亿个神经元)或人类大脑(1000亿个神经元)相比,果蝇大脑相对较小(10万个神经元),这使得他们更容易把它作为一个完整的回路进行研究。

在实验过程中,研究小组主要采用的数据集是FAFB,它是“full adult fly brain”的缩写。研究小组向一只果蝇的大脑细胞和突触中注入重金属(heavy metals),以标记每个神经元及其连接处的轮廓。为了产生图像,他们用一束电子束击中大约7062个大脑切片,这些电子束穿过除注入金属部分以外的所有部分。

640?wx_fmt=jpeg

▲一个40万亿像素的果蝇大脑的3D重建

绘制出一个果蝇大脑需要首先将其分割成陈千上万个40纳米的超薄切片,然后用透射电子显微镜对其进行成像,这就产生了超过40万亿像素的大脑图像,之后还需要将这些2D图像排列成整个大脑的3D图像。

接下来,数千个谷歌云TPU——谷歌定制的人工智能加速器芯片——运行一种特殊的算法,称为洪水填充网络(FFN),来自动追踪果蝇大脑中的每个神经元。

当然,重建过程并非一帆风顺。当连续切片中的图像内容不稳定(对齐不够完美)或缺少多个连续切片时,FFN表现不佳。为了减少精度和准确性的下降,研究小组估算了3D大脑图像中的切片一致性,并在FFN突出显示每个神经元的同时稳定了局部内容。

此外,他们还使用了一种人工智能模型,称为分割增强循环(SECGAN)——一种专门用于分割的生成性对抗网络——来计算并填充图像体积(volume)中缺失的切片。有了这两个新的程序,他们发现FFN可以“更加强大地”追踪多个缺失切片的位置。

640?wx_fmt=gif

用Neuroglancer实现果蝇大脑图像可视化

在大脑完全成像的情况下,研究小组利用上述的NeuroGleener解决了可视化的问题。它基于WebGL,并在新版Chrome和Firefox中得到支持,它展示了一个由三个正交横截面视图和一个显示选定对象3D模型的视图(具有独立方向)组成的四窗格视图。

▲雌果蝇“半脑”样本的对齐演示

NeuroGleener是一个在github上的开源项目,可以查看petabyte级3D volume,并支持许多高级功能,如任意轴横截面重构,多分辨率网格,以及通过与Python集成开发自定义分析workflow的强大功能。该工具已被合作者广泛使用,包括艾伦脑科学研究所、哈佛大学、HHMI、马克斯普朗克研究所、MIT、普林斯顿大学等。

论文的合著者表示他们的大脑图像并不完美,因为仍然包含一些错误并且跳过了对大脑突触的识别,但他们预计,分割方法的发展将进一步改进大脑重建。他们正在与珍妮亚研究院的FlyEM团队合作,利用离子束扫描电子显微镜技术获取的图像,创建一个“高度验证”和“详尽”的果蝇大脑连接组。

他们也期望他们在连接组学方面的工作能够加速美国卫生部和剑桥大学对果蝇大脑学习、记忆和感知的研究。本着开源的精神,他们使用NeuroGleener(一种内部交互式3D界面)提供了完整的研究结论供浏览和下载。

640?wx_fmt=gif

结语:谷歌AI重建果蝇大脑

谷歌一直是AI技术的推崇者和前沿研究者,就像本篇文章提到的,其目前的AI技术已经能够对果蝇大脑进行纳米级切片并重建。

虽然果蝇的神经元比较少实验起来相对容易,但这项技术已经是一项重大的突破,就像论文作者所说:“目前的成果并不完美,因为还有一些错误和疏漏,但随着这项技术的不断进步,大脑切片和重建也会继续进步。


640?wx_fmt=jpeg

张亚勤、刘慈欣、周鸿祎、王飞跃、约翰.翰兹联合推荐


这是一部力图破解21世纪前沿科技大爆发背后的规律与秘密,深度解读数十亿群体智能与数百亿机器智能如何经过50年形成互联网大脑模型,详细阐述互联网大脑为代表的超级智能如何深刻影响人类社会、产业与科技未来的最新著作。


《崛起的超级智能;互联网大脑如何影响科技未来》2019年7月中信出版社出版。刘锋著。了解详情请点击:【新书】崛起的超级智能:互联网大脑如何影响科技未来


未来智能实验室是人工智能学家与科学院相关机构联合成立的人工智能,互联网和脑科学交叉研究机构。


未来智能实验室的主要工作包括:建立AI智能系统智商评测体系,开展世界人工智能智商评测;开展互联网(城市)云脑研究计划,构建互联网(城市)云脑技术和企业图谱,为提升企业,行业与城市的智能水平服务。


  如果您对实验室的研究感兴趣,欢迎加入未来智能实验室线上平台。扫描以下二维码或点击本文左下角“阅读原文”

640?wx_fmt=jpeg

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/490847.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

python+OpenCV图像处理(五)图像的阈值分割

图像的阈值处理一幅图像包括目标物体、背景还有噪声,要想从多值的数字图像中直接提取出目标物体,常用的方法就是设定一个阈值T,用T将图像的数据分成两部分:大于T的像素群和小于T的像素群。这是研究灰度变换的最特殊的方法&#xf…

git Please move or remove them before you can merge. 错误解决方案

git pull 时 往往会遇到各种各样的问题 ,下面是常遇到的一种状况 Updating 7c9e086..936acacerror: The following untracked working tree files would be overwritten by merge:Common/HFHttpRequest/HFHttpRequestParameters.hCommon/HFHttpRequest/HFHttpRequestParameters…

为什么有些softmax公式需要减去输入中的最大值

我们都知道softmax公式如下: 但有些softmax公式是先将每个x_i减去x中的最大值再代入以上公式 原因是为了防止上溢和下溢 举个例子,x[100000,100001,100002],如果直接代入上式数值会非常大,当对每个x的值减去x中的最大值后得到[-2,-1,0]&…

决策树算法框架

决策树算法框架 (一)决策树主函数各种决策树的主函数都大同小异,本质上是一个递归函数。该函数的主要功能是按照某种规则生长决策树的各个分支节点,并根据终止条件结束算法。一般来讲,主函数需要完成如下几个功能。 &a…

基于哈夫曼编码完成的文件压缩及解压

这几天在较为认真的研究基于哈夫曼编码的文件压缩及解压,费了点时间,在这分享一下: 这里用链式结构,非顺序表结构; 文件压缩: 1.获取文件信息(这里采用TXT格式文本); 2.压…

兰德公司报告分析 “分布式作战”对美空军兵力运用的影响

来源:兰德公司网站/图片来自互联网导读7月17日,兰德公司发布《竞争环境下的分布式作战:对美国空军兵力运用的影响》的报告,研究了美空军竞争环境下“分布式作战”的能力需求,分析了如何调整美空军当前的“兵力运用模式…

Keras中LSTM的return_sequences和return_state

keras.layers.LSTM()函数有两个重要的参数return_sequences和return_state return_sequences和return_state默认都为false,接下来分别讲解当return_sequences和return_state取不同值时LSTM函数的返回值 return_sequencesTrue会返回每个时间步的隐藏状态&#xff0…

MATLAB(四)在高等数学中的应用

MATLAB在高等数学中的应用 (一)求极限 matlab中求极限的命令为 limit(expr, x, a) limit(expr, a) limit(expr) limit(expr, x, a, left) limit(expr, x, a, right) 其中,limit(expr, x, a)表示求符号表达式expr关于符号变量x趋近于a时的…

华为手机到底用了多少美国芯?外媒拆解来了

来源:iFixit、IT之家从拆解结果来看,华为Mate 20 X (5G)手机除了使用了3颗美国的芯片产品(美光内存、SkyworksWCDMA/LTE低端前端模块、Qorvo中高频段模块)以及荷兰公司恩智浦的芯片产品,其余主要部件基本上都是由华为海…

c++判断字符是否为空格或数字

判断字符是否为空格的函数: isspace() 标准的空白字符包括: (0x20) space (SPC) 空格符 \t (0x09) horizontal tab (TAB) 水平制表符 \n (0x0a) newline (LF) 换行符 \v (0x0b) vertical tab (VT) 垂直制表符 \f (0x0c) …

[改善Java代码] 推荐使用序列化实现对象的拷贝

建议44: 推荐使用序列化实现对象的拷贝 上一个建议说了对象的浅拷贝问题,实现Cloneable接口就具备了拷贝能力,那我们来思考这样一个问题:如果一个项目中有大量的对象是通过拷贝生成的,那我们该如何处理?每个…

MATLAB(五)在线性代数中的应用

MATLAB在线性代数中的应用 (一)向量组的线性相关性 求列向量组A的一个最大线性无关组,可用命令rref(A)将A化成行最简形,其中单位向量对应的列向量即为最大线性无关组所含向量,其他列向量的坐标即为其对应向量用最大线…

C++一位的字符数字转数字

char c4; //1,2,3,.....9 int num0; num int(c - 0);’0’的ASC码是48,‘1’,‘2’......的ASC码分别为49,50...... 和0相减即为对应的数字

关于无穷大量的选择

在解题时候,通常有遇到设置为无穷大的情况。这时候通常用0x7fffffff来设置,他是计算机32位整数最大数,相当于INT_MAX.但是在很多时候这样设置并不会是最佳的,还可能导致bug,这是由于我们有的时候希望无穷大无穷大无穷大&#xff0…

全球市值最大公司的巨变:20年,已是沧海桑田

来源: 资本实验室三十年河东,三十年河西。而商业的世界,变化来得更为迅猛、激烈。就比如当我们比较1999到2019年间的全球市值最大公司,并回看二十年时,惊觉已是沧海桑田。如果以更短的五年为一个观察周期,则…

python+OpenCV图像处理(六)图像平滑与滤波

图像平滑与滤波 运用它,首先就要了解它,什么是平滑滤波? 平滑滤波是低频增强的空间域滤波技术。它的目的有两类:一类是模糊;另一类是消除噪音。空间域的平滑滤波一般采用简单平均法进行,就是求邻近像元点的…

pytorch每次迭代训练前都重新对数据集进行采样形成平衡数据集

对于不平衡数据集的训练通常有两种方法: 一种是先用数据平衡的方法形成平衡数据集之后用于每一轮的训练,此时每轮训练的数据集是不变的,这一方法在pytorch的实现比较简单,即先构建好平衡数据集train_set,然后构建trai…

Delphi中动态调用DLL的方法

Delphi中动态调用dll的方法如下&#xff1a; function CallFunc(dllname, funcname: string; const param: array of const): DWORD; varhLib: THandle;pFunc: Pointer;intSize: Integer; beginResult : 0;hLib : LoadLibrary(PChar(dllname));if hLib <> 0 then beginpF…

语音助手再次敲响隐私保护警钟

来源&#xff1a; 中国科学报智能手机内置的语音助手已成为人们生活中的亲密伙伴&#xff0c;大家习惯于让它完成报时、查询天气等日常任务甚至与它聊天解闷。然而&#xff0c;近期多家科技公司被曝光以智能语音助手录制用户谈话&#xff0c;再通过人工对语音做标注和反馈&…

大数据深度解析NLP文本摘要技术:定义、应用与PyTorch实战

文章目录 大数据深度解析NLP文本摘要技术&#xff1a;定义、应用与PyTorch实战1. 概述1.1 什么是文本摘要&#xff1f;1.2 为什么需要文本摘要&#xff1f; 2. 发展历程2.1 早期技术2.2 统计方法的崛起2.3 深度学习的应用2.4 文本摘要的演变趋势 3. 主要任务3.1 单文档摘要3.2 …