增强的人工智能追踪移动动物的神经元

最近的进步使大脑可以自由移动动物然而，要恢复循环活动，必须对这些神经元的图像进行识别和跟踪当雨水在生物体的柔性体中移动和变形时，这尤其是挑战g伊纳沃姆到目前为止，科学界已经掌握了解决这个问题的工具

现在，EPFL和Harvard的一些科学家已经开发出了一种适应性的AI方法来追踪动物的神经损伤和变形这项研究由Sahand Jamal RahiatEPFL的基础科学学院领导，现已发表在《自然方法》杂志上

新方法基于神经网络（CNN）的卷积解决方案，这是一种经过训练以识别、理解和处理图像的方法这涉及到一个称为“卷积”的过程，它实时查看图片的小部分，如边缘、颜色或形状，然后将所有这些信息组合在一起，以产生感知，从而识别对象或图案

问题在于，在动物大脑运动过程中，许多图像都被手动标记，因为动物的外观在交叉时间上由于许多不同的身体变形而非常不同考虑到动物姿势的多样性，可以手动生成足够数量的符号来训练神经网络

为了解决这一问题，搜索引擎进行了开发和增强，并以“目标增强”为特征创新技术的自动合成是一种自动标注或参考，仅限于手动标注其结果是，CNN有效地学习了大脑的内部变形，并使用这些方法为新姿势创建注释，从而大幅减少了对实际注释和公开检查的需求

这种新方法是多功能的，能够识别出图像中的图像是单个点还是三维体积研究者们研究了一种罕见的线虫，它的302个神经已经成为神经科学中的一个普及的组织

利用增强的dCNN，科学家们测量了一些大脑中间神经元（桥接神经元之间信号的神经元）的活动因为它们表现出复杂的行为，例如，当暴露于不同的时间时，改变了不负责任的肝脏，例如对食物的轻微冲击

该团队已使他们的CNN可访问，提供了一个更友好的图形服务接口，该接口集成了面向测试的增强功能，将处理流程简化为一个完整的管道，从手册注释到最终校对

Sahand Jamal Rahi说：“通过显著减少神经分段和追踪所需的手动力，新方法通过将三个时间与完全手动标记进行比较来增加分解率。”“这一突破有可能加快对降雨和地表径流的研究，并改善自然回路和行为。”