PNAS：人工智能技术加速神经科学研究进展

钙成像记录了细胞在体内的大规模神经元活动。自动、快速、可靠的活动神经元分割是利用神经元信号进行实时行为研究以发现成像后神经元编码特性的分析工作流中的关键步骤。目前，最准确的方法需要人类分析师手动追踪，但识别记录单个神经元是一个艰苦又缓慢的过程，假设研究人员不吃不喝不睡且注意力高度集中，30min的视频需要4-24h才能完成神经元分割。

相比之下，杜克大学生物医学工程系（BME）的图像处理和神经科学研究人员开发的一种新的开源自动算法可以在几分钟内准确识别和分割神经元，且准确度和人类一样高。相关研究发表在PNAS上。

https://doi.org/10.1073/pnas.1812995116

杜克大学的研究员、教授龚益阳说：“神经科学领域的数据分析的瓶颈已经存在很长时间了——数据分析师花费数小时处理数分钟的数据，但是这个算法可以在20-30分钟内处理30分钟的视频。而且这种算法还能拓展，所以如果需要从具有不同神经元大小或密度的另一层大脑分割神经元，它可以同样良好地运作。”

该研究的第一作者Somayyeh Soltanian-Zadeh博士说，“我们基于深度学习的算法很快，并且证明与从双光子显微镜记录中分割活跃和重叠神经元的人类专家一样准确。”

深度学习算法允许研究人员通过多层非线性处理单元快速处理大量数据，这些处理单元可以通过训练来识别复杂图像的不同部分。在这个数据框架中，研究团队创建了一个算法，可以处理输入视频中的空间和定时信息。然后，研究人员训练算法模拟人类分析师的分割模式，并且提高算法准确性。

目前，龚益阳教授已经在使用这种新方法来更密切地研究与小鼠不同行为相关的神经活动。

Soltanian-Zadeh说：“活跃神经元检测效率的提高，人类将获得更多关于神经网络和行为状态的信息，这将为神经科学实验的加速进展打开大门。”

此外，研究人员已经免费公开了开源软件和他们仔细注释的数据集。

参考资料：

[1] AI Technique Opens Door for Accelerated Progress in Neuroscience Research

[2] Fast and robust active neuron segmentation in two-photon calcium imaging using spatiotemporal deep learning