Интерпретатор мозга

Исследователи из Google AI и Института нейробиологии имени Макса Планка использовали новый тип рекуррентной нейросети, чтобы повысить точность автоматизированной интерпретации работы мозга.

Идея состоит в том, что для лучшего понимания работы мозга ученые создают подробную структуру нервной системы с помощью 3D-визуализации. Из-за высокого разрешения изображения даже кубический миллиметр ткани головного мозга может генерировать более 1000 ТБ данных.

Сегментация изображений при трассировке нейритов проходит в два этапа. На первом программа ищет границы между нейритами с использованием реберного детектора или классификатора машинного обучения. На втором с помощью графа и границ объединяются пиксели изображений, которые не разделены границей.

Исследователи предложили альтернативный подход к работе с крупномасштабным наборам данных. Они задействуют повторяющиеся нейросети, которые объединяют эти два этапа. Алгоритм засеивается в определенном месте пикселя, а затем итеративно «заполняет» область, используя рекуррентную сверточную нейронную сеть. Она предсказывает, какие пиксели являются частью того же объекта, что и семя.

Для оценки точности измерения исследователи разработали метрику ожидаемой продолжительности выполнения (ERL). Она показывает среднее время между отказами по ходу отслеживания нейрона. ERL будет интересна инженерам простым способом вычисления алгоритма длины пути с частотой отдельных ошибок. Для биологов числовое значение новой метрики может заменить среднюю длину пути нейронов в разных частях нервной системы.

18.07.2018