脑科学研究如虎添翼!MIT与小发猫利用AI探索神经科学

bbin电子游戏

我必须在4天前分享AI人工智能研究

image.php?url=0MYvluZ0wA

最近,麻省理工学院和小发猫进行了两项研究,使用人工智能帮助人们进行神经科学领域的研究,进一步帮助人们加速对人类大脑的理解。

一方面,麻省理工学院的研究人员正在训练机器学习模型,以研究从单个分割脑扫描图像和未标记扫描图像分割大脑解剖结构,以使用人工智能自动化神经科学图像分割。

另一方面,小发猫研究人员创建了一个基于云的神经科学模型,用于研究神经退行性疾病(由于大脑和脊髓中神经元或髓鞘的丢失而耗尽,并随着时间的推移而恶化,导致功能障碍)并使用算法模仿生物进化来解决复杂问题。

首先,卷积神经网络实时为卡片提供信息

在计算机视觉和模式识别会议上,麻省理工学院的一组研究人员提出了一种创新的人工智能系统。

该系统可以学习从单个分割的脑扫描图像和未标记的扫描图像分割解剖学脑结构,以实现自动神经科学图像分割。

这种新型的神经科学人工智能系统是基于1993年发布的着名的收藏卡片游戏《万智牌(Magic:The Gathering)》而开发的。

Amy Zhao是麻省理工学院电子工程与计算机科学系(EECS)的研究生,也是该计算机科学与人工智能实验室(CSAIL)的第一作者。

最初,她尝试使用由卷积神经网络(CNN)技术创建的应用程序,根据智能手机上拍摄的照片,提供有关卡片类别,属性和《万智牌》卡片传送成本的详细信息。

该技术面临的挑战是计算机视觉任务需要一组照片数据集,其中不仅包含20,000张游戏卡,还包含每张卡的不同拍摄外观和拍摄属性(如照明)的图像版本。

但是,手动创建这样的数据集需要大量的练习和努力,因此Amy开始通过合成数据集中所有卡的变形版本来自动创建数据集。

卷积神经网络是一种深度学习算法,其人工神经网络结构受到生物大脑视觉皮层的启发,并使用少量数据进行训练。

艾米使用200张卡片,每张卡片有10张照片,因此可以训练卷积神经网络?匝叭绾稳范?ㄆ牟煌恢煤驼掌耐夤郏缌炼龋瓷浜驼掌嵌取8春鲜菁兴锌ǖ恼媸当湫伟姹尽?

二,脑图像卷积神经网络分析的过程

艾米发现这种变形方法可以应用于磁共振成像(MRI)。磁共振成像是一种能够利用磁共振现象从人体获取电磁信号并重建人体信息的断层摄影术。

人工智能深度学习的模式识别功能是机器学习的一个子集,可帮助神经科学家对大脑图像进行复杂的分析。然而,训练这种机器学习算法是一项昂贵的,劳动密集型的挑战。

一方面,对于神经科学研究,训练机器学习通常需要神经科学家在每次脑部扫描中手动标记解剖结构。

另一方面,图像分割是基于共享特征标记图像像素的过程,共享特征又是以体素形式呈现的体素。

因此,神经科学研究人员经常需要根据大脑的解剖结构分离和标记体素区域,并手动执行图像分割。

Amy和麻省理工学院博士后助理Guha Balakrishnan,FrédoDurand教授,John V. Guttag教授和资深作者Adrian V. Dalca,使用单标记分段脑MRI扫描和一组100个未标记的患者扫描自动神经科学图像分割过程。

在研究期间,研究人员使用了两个卷积神经网络。

首先,卷积神经网络从100个未标记的扫描中学习亮度,对比度,噪声和空间变换的流场(诸如移动流体占据的空间区域中的速度和压力等因素)的变化。这些更改模拟扫描。体素之间的运动。

其次,为了合成新的标记扫描,系统生成随机流场并将该随机流场应用于标记的MRI扫描以匹配未标记的扫描数据集中的实际患者的MRI。然后系统随机组合学习的亮度,对比度和噪声变化。

最后,系统基于加速运动的流场将标签标记到合成扫描图像中。这些合成的扫描图像将被输入到单独的卷积神经网络,以训练卷积神经网络以学习如何分割新图像。

第三,框架可以合成真实和多样的标签实例

此外,研究小组对30个大脑结构图像分割系统进行了100次扫描,并将其与现有的自动和手动分割方法进行了比较。结果表明,与现有的图像分割方法相比,该方法有了明显的改进,特别是在海马等小的脑结构中。

在论文中,研究人员说,在他们的测试集中,分割器在每种情况下都比现有的单一分割方法做得更好,接近完全监督模型(以前主要是半监督模型)的性能。机器学习框架可以应用于各种医疗领域,例如临床设置,在临床设置中,由于时间限制,通常只允许少数扫描被手动注释。

作为回应,麻省理工学院的研究人员已经表明,通过机器学习,无空间的大脑扫描图像,独立的空间和外观转换模型,可以合成现实和多样的样本实例。

此外,系统生成的综合实例可以用来训练一个性能等于或优于当前图像分割方法的分割模型,这就是为什么《万智牌》可以产生一种新的人工智能深度学习算法训练方法。

0×251d

第四章。什么是进化算法?

最近,小发猫的研究人员发布了一种创新的方法来[0x9A8b]和[0x9A8b]创建一个基于云的神经科学模型,该模型使用可用于研究神经退行性疾病的进化算法。

在神经科学和人工智能的交叉中,这是另一种深入学习的方式。深度学习松散地建立在生物大脑的神经网络层上。它通常是一个单一用途的单点解决方案,需要对大型数据集进行广泛的培训,并针对特定环境进行定制。

相比之下,进化算法(EA)更简单。它是进化计算的一个子集,可以模拟生物进化来解决复杂问题。另外,它根据“适应度”函数中设置的标准解决了问题,几乎不需要数据。

不同类型的进化算法包括遗传算法,进化策略,差分进化和分布估计算法。他们的共同点是进化过程,通常包括随机生成搜索点群体,也称为代理,染色体,候选解决方案或个体。

这些搜索点群体经历多代突变操作和选择,其类似于生物突变和重组过程。

在每次群体迭代之后,进化算法将计算每个搜索点的适合度,并保留最强(较高目标值)搜索点,删除最弱(较低目标值)搜索点。

通过这种方式,搜索点的数量将逐代发展,以产生问题的最佳解决方案,而适者生存则各不相同。

5.基于云创建神经科学模型

进化算法本质上是分布式的,这使得它们非常适合于基于云的或大规模的并行多核处理。

在这项针对亨廷顿舞蹈病的神经科学研究中,研究人员在小发猫Cloud上使用了最新的非显性排序差异进化(NSDE)算法。

参与这项研究的领先的小发猫发明家和神经科学家James R. Kozloski说,他们引入了误差函数的软值和邻域惩罚,以防止由目标的精确特征值引起的系统偏差。

Kozloski表示,他们使用NSDE框架来纠正错误并惩罚先前选择的零误差模型的特征空间和“拥挤度”,从而允许算法尽可能均匀地覆盖0个错误区域。这允许他们创建适合数据的各种参数模型,而不仅仅是单个模型。

该研究的算法设计大师Tim Rumbell博士和Thomas J. Watson研究中心的计算神经科学家表示,该算法最终将有助于推广该模型,因为他们支持该算法寻找能够参数的参数空间区域。在实验过程中生成。响应所有神经元的模型。

结论:促进对人类大脑的科学认识

麻省理工学院的研究人员通过卷积神经网络分析脑图像,小发猫研究人员使用进化算法创建了一个基于云的神经科学模型,这两个模型都是神经科学领域人工智能的发展。应用。

在未来,当这两项研究进一步成熟并真正落实时,它们可能有利于临床医学和神经科学研究的发展,并进一步加速对人脑的科学认识。

AI趋势,今日心理学采用新网络

点击的人点击

收集报告投诉