محققان الگوریتم ها را برای بهبود نقشه برداری مغز توسط MRI اصلاح می کنند – ScienceDaily


دانشمندان پروژه علمی مغز ژاپن از هوش ماشینی برای بهبود دقت و اطمینان از یک روش قدرتمند نقشه برداری مغز استفاده کرده اند ، طبق یک مطالعه جدید

توسعه آنها ، منتشر شده در 18 دسامبر در گزارش های علمی، اطمینان بیشتر محققان را در استفاده از این روش برای باز کردن سیم کشی مغز انسان و درک بهتر تغییرات در سیم کشی همراه با اختلالات عصبی یا روانی مانند بیماری پارکینسون یا آلزایمر ایجاد می کند.

پروفسور کنجی دویا ، رئیس بخش محاسبات عصبی در انستیتو برای علم و فناوری در اوکیناوا (OIST).

محققان برای شناسایی اعضای پیوندی ، رشته های سلول عصبی را که در سراسر مغز گسترش می یابد ، ردیابی کردند. در آزمایشات حیوانات ، دانشمندان می توانند یک نشانگر فلورسنت را در نقاط مختلف مغز و تصویری را که رشته های عصبی ناشی از آن نقاط گسترش می یابد ، تزریق کنند. اما این فرایند نیاز به تجزیه و تحلیل صدها بخش مغزی از بسیاری از حیوانات دارد. پروفسور دویا توضیح داد و از آنجا که بسیار تهاجمی است ، نمی توان از آن در انسان استفاده کرد.

با این حال ، پیشرفت در تصویربرداری تشدید مغناطیسی (MRI) محاسبه اتصالات غیرتهاجمی را امکان پذیر کرده است. این روش ، ردیابی انتشار فیبر NMR نامیده می شود ، از میدان های مغناطیسی قدرتمندی برای ردیابی سیگنال های مولکول های آب هنگام حرکت – یا انتشار – در امتداد رشته های عصبی استفاده می کند. سپس یک الگوریتم رایانه با استفاده از این سیگنال های آب مسیر رشته های عصبی در سراسر مغز را تخمین می زند.

اما در حال حاضر الگوریتم ها نتایج قانع کننده ای نمی دهند. همانطور که تصاویر می توانند بسته به تنظیمات دوربین انتخاب شده توسط عکاس متفاوت به نظر برسند ، تنظیمات – یا پارامترهایی – که توسط دانشمندان برای این الگوریتم ها انتخاب شده اند ، می توانند اتصالات مختلفی را ایجاد کنند.

دکتر کارلوس گوتیرز ، اولین نویسنده و محقق دکترا در واحد محاسبات عصبی OIST ، گفت: “نگرانی های واقعی در مورد قابلیت اطمینان این روش وجود دارد.” “موارد مثبت کاذب می توانند تحت سلطه کانکتوم ها قرار بگیرند ، به این معنی که آنها اتصالات عصبی را نشان می دهند که در واقع وجود ندارند.”

علاوه بر این ، الگوریتم ها برای کشف رشته های عصبی که در نواحی دوردست مغز گسترش می یابند ، تلاش می کنند. دکتر گوتیرز گفت ، با این وجود این ارتباطات از راه دور یکی از مهمترین آنها برای درک نحوه کار مغز است.

در سال 2013 ، دانشمندان پروژه ای به رهبری ژاپن به نام Brain / MINDS (Brain Mapping by Integrated Neurotechnologies for Disease Research) برای نقشه برداری از مغز مارموزها ، نخستی های کوچک غیر انسانی که مغز آنها ساختاری مشابه مغز انسان دارد ، آغاز کردند.

پروژه brain / MINDS با هدف ایجاد یک اتصال مغزی مارموست کامل با استفاده از روشهای تصویربرداری تشدید مغناطیسی غیر تهاجمی و تکنیکهای ردیابی فلورسنت تهاجمی است.

وی گفت: “مجموعه داده های حاصل از این پروژه فرصتی بی نظیر برای ما بود تا بتوانیم نتایج همان مغز تولید شده توسط این دو روش را مقایسه كنیم و مشخص كنیم كه برای ایجاد دقیق ترین اتصال مبتنی بر MRI باید چه پارامترهایی تنظیم شود.” گوتیرز

در مطالعه حاضر ، محققان به دنبال اصلاح پارامترهای دو الگوریتم مختلف پرکاربرد هستند تا بتوانند فیبرهای دوربرد را به طور قابل اعتماد شناسایی کنند. آنها همچنین می خواستند اطمینان حاصل کنند که الگوریتم ها فیبرهای ممکن را شناسایی می کنند ، در حالی که آنهایی را که در واقع وجود ندارند شناسایی می کنند.

محققان به جای آزمایش دستی همه ترکیبات مختلف پارامترها ، به هوش ماشین روی آوردند.

برای تعیین بهترین پارامترها ، محققان از الگوریتم تکاملی استفاده کردند. الگوریتم ردیابی فیبر با استفاده از پارامترهایی که در هر نسل بعدی تغییر می کنند یا جهش می یابند ، این ترکیب را از داده های انتشار MRI محاسبه می کند. این پارامترها با یکدیگر رقابت می کنند و بهترین پارامترها – آنهایی که خانه های متصل کننده را ایجاد می کنند که با شبکه عصبی شناسایی شده توسط نشانگر فلورسنت مطابقت بیشتری دارند – به نسل بعدی رسیده اند.

محققان الگوریتم ها را با استفاده از ردیاب های فلورسنت و داده های MRI از ده مغز مارموست مختلف آزمایش کردند.

محققان دریافتند که انتخاب بهترین پارامترها حتی برای ماشین آلات نیز آسان نیست. وی گفت: “برخی پارامترها می توانند درصد مثبت کاذب را کاهش دهند ، اما یافتن اتصالات از راه دور را دشوار می کنند. بین مشکلات مختلفی که می خواهیم حل کنیم تعارضی وجود دارد. بنابراین حل پارامترهایی که هر بار انتخاب می کنیم همیشه شامل سازش است.” پ. گوتیرز

در طی چندین نسل از این فرایند “بقای مناسب” ، الگوریتم هایی که برای هر مغز کار می کنند بهترین پارامترهای خود را با یکدیگر مبادله می کنند ، به الگوریتم ها اجازه می دهد مجموعه ای مشابه تر از پارامترها ایجاد کنند. در پایان این فرآیند ، محققان بهترین پارامترها را به دست آوردند و میانگین آنها را برای ایجاد یک مجموعه مشترک به دست آوردند.

“ترکیب پارامترها یک مرحله مهم بود. مغزهای فردی متفاوت هستند ، بنابراین همیشه ترکیبی منحصر به فرد از پارامترها وجود دارد که برای یک مغز خاص بهترین عملکرد را دارد. اما هدف ما این بود که بهترین مجموعه پارامترها را به خوبی انجام دهیم. برای تمام مغزهای مارموست. “دکتر گوتیرز توضیح داد.

این تیم دریافت که الگوریتم همراه با مجموعه متغیرهای بهینه شده پارامترها همچنین پیوند دقیق تری را در مغزهای مارموست جدید ایجاد می کند که بخشی از مجموعه آموزش اصلی از پارامترهای پیش فرض قبلی نبوده است.

محققان گفتند ، تفاوت حیرت انگیز بین تصاویر ساخته شده توسط الگوریتم ها با استفاده از پارامترهای استاندارد و بهینه شده ، اخطار مشخصی را برای تحقیقات مبتنی بر MRI ارسال می کند.

دکتر گوتیرز هشدار داد: “این هر تحقیق را که از الگوریتم هایی استفاده می کند که بهینه سازی یا اعتبارسنجی نشده اند ، زیر سال می برد.”

در آینده ، دانشمندان امیدوارند که روند استفاده از هوش ماشین را برای شناسایی بهترین پارامترها تسریع کنند و از الگوریتم بهبود یافته برای تعیین دقیق تر ارتباط مغز با اختلالات عصبی یا روانی استفاده کنند.

دکتر گوتیرز گفت: “در نهایت ، MRI فیبر انتشار می تواند برای نقشه برداری از مغز کل انسان و تشخیص بین مغز سالم و بیمار استفاده شود.” “این می تواند ما را یک گام به یادگیری نحوه درمان این اختلالات نزدیک کند.”


منبع: unbox-news.ir

Leave a reply

You may use these HTML tags and attributes: <a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <s> <strike> <strong>