北卡罗来纳州达勒姆 - 杜克大学的生物医学工程师开发了一种自动化过程，可以像人类研究人员一样准确地追踪活跃神经元的形状，但只需要很短的时间。

这种基于使用人工智能解释视频图像的新技术解决了神经元分析中的关键障碍，使研究人员能够快速收集和处理神经信号，进行实时行为研究。这项研究本周出现在“美国国家科学院院刊”上。为了测量神经活动，研究人员通常使用称为双光子钙成像的过程，这使他们能够记录活动物大脑中各个神经元的活动。这些记录使研究人员能够跟踪哪些神经元正在发射，以及它们如何与不同的行为相对应。

虽然这些测量对行为研究很有用，但识别记录中的单个神经元是一个艰苦的过程。目前，最准确的方法需要人类分析师圈出他们在录音中看到的每个“火花”，通常要求他们停止和倒回视频，直到识别并保存目标神经元。为了使该过程进一步复杂化，研究人员通常只想识别在成像的数千个神经元内的不同层中重叠的一小部分活动神经元。

这个过程称为分段，是繁琐而缓慢的。研究人员可以在30分钟的视频录制中花费4到24小时对神经元进行分段，并假设它们在整个持续时间内完全聚焦，并且不会休息，睡觉，吃饭或使用浴室。

相比之下，杜克大学生物医学工程系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。

“作为迈向大脑活动完整映射的关键一步，我们的任务是开发一种快速自动算法的艰巨挑战，该算法与人类一样准确，可以分割在不同实验环境下成像的各种活跃神经元，”新浪法尔苏说。 Paul Ruffin Scarborough Duke BME工程学副教授。

“数据分析瓶颈已经在神经科学中存在了很长时间 - 数据分析师花了数小时处理数分钟的数据，但这种算法可以在20到30分钟内处理30分钟的视频，”助理Yiyang Gong说道。杜克BME教授。“我们还能够推广其性能，因此如果我们需要从具有不同神经元大小或密度的大脑的另一层分割神经元，它可以同样良好地运作。”

“我们基于深度学习的算法很快，并且被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(如果不是更好)，”Somayyeh Soltanian-Zadeh博士说。杜克BME和论文的第一作者。

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。在他们的框架中，该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。然后他们“训练”算法以模仿人类分析师的分割，同时提高准确性。

这一进步是允许神经科学家实时跟踪神经活动的关键一步。由于其工具的广泛用途，该团队已经在线提供了他们的软件和带注释的数据集。

龚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。通过更好地了解哪些神经元为不同的活动开火，龚希望了解研究人员如何操纵大脑活动来改变行为。

“活跃神经元检测的这种改进性能应提供有关神经网络和行为状态的更多信息，并为神经科学实验的加速进展打开大门，”Soltanian-Zadeh说。