一种基于人工智能的脑图像处理方法

（文章来源：MedPeer）

基于深度学习的工作流程系统DeNeRD，框图显示了由神经元检测器(TOP)单元处理的来自不同出生后(P)时间点的脑图像的输入。每一张大脑图像都是通过一个基于卷积神经网络(R-CNN)的体系结构依次通过更快的区域，该体系结构检测和标记整个大脑图像中的神经元。同样的图像也会通过大脑记录器(底部)单元传递，该单元会自动将其注册到Allen开发的小鼠脑地图集中。

苏黎世大学大脑研究所的研究人员最近在《Nature Scientific Reports》发表了一项技术， 可在不同发育阶段的不同脑区自动检测不同类型的神经元。

在细胞水平上描绘哺乳动物大脑的结构是一项重要而又艰巨的任务，这通常涉及到捕捉特定的解剖特征并对其进行分析。在过去，研究人员能够利用经典的组织学和体视学技术收集一些关于哺乳动物大脑结构有趣的观察和见解。虽然这些方法对于研究大脑的解剖是非常有用的，但是进行一个真正的大脑范围的分析通常需要一种不同的方法。

到目前为止，研究人员已经提出了许多方法来分析整个大脑的细胞组成，这些方法包括能够检测和计数脑细胞的工具。虽然其中一些方法取得了很好的效果，但在分析高度复杂的脑成像数据时，尤其是从密集信号区域分析时，大多数方法的效果并不理想。由于意识到现有的脑细胞检测和计数技术的局限性，UZH的团队开发了一种新的全自动全脑图像处理技术，称为DeNeRD。

展示了用于神经元检测的DeNeRD细管中的深层神经网络结构。一个小的脑切片图像作为输入，经过一系列的卷积阶段，区域提议网络(RPN)，感兴趣区域(ROI)池和RCNN分类器。将RPN和ROI输出组合在一起，作为RCNN分类器的输入，从而区分神经元和背景类。

由Iqbal和他的同事设计的大脑处理技术DeNeRD是一种最先进的解决方案，可以应用于各种现实世界的成像任务，包括对象分类、检测和分割。研究人员从被称为Faster R-CNN的深度神经网络的高性能中获得灵感，这是最先进的对象检测技术之一。在这项研究中，他们优化了这种深度学习模型，并专门训练它来检测小鼠大脑全脑图像中的神经元，这些图像是在不同的发育年龄拍摄的（例如：出生后第4天、第14天、第56天等）。

首先，研究人员收集了一组大脑图像，并给它们贴上标签，用一个简单的图形程序在神经元周围放置边界框。随后，他们对这些图像进行了深度神经网络的训练，实质上是教它检测和计数脑细胞。神经元检测器在P14 GAD1小鼠大脑图像上的输出如图所示。蓝色方框描绘了放大的图像，在不同的神经元密度区域，可以看到标记的神经元及其在边界方框上的分类分数的检测。

训练完成后，DeNeRD模型能够对全脑图像进行彻底的分析，并进行自动神经元检测和脑图像配准。Iqbal和他的同事们在一系列的测试中对他们的方法进行了评估，发现它表现得非常好，在使用各种成像技术收集的大量图像中检测出标记有不同遗传标记的神经元。

Iqbal说：“我们的方法不受脑图像中神经元的规模、大小、形状和强度的影响，这是一种理想的方法，可以使用单一的深度神经网络对各种脑成像样本进行神经元检测。”此外，通过提供最小误差和高平均精度，我们的方法优于现有的神经元检测方法。未来，该技术可以快速、自动地对哺乳动物的大脑进行更深入的分析。有趣的是，DeNeRD的性能是通用的，这在本质上意味着新用户不需要收集新的数据集，标记它们并在使用之前对神经网络进行重新训练。

“一旦在大型脑数据集上进行训练，该网络就能很好地检测各种遗传标记和成像模式中的神经元。” Iqbal说，“DeNeRD在检测二维大脑图像中的神经元方面做了优化，但在未来，我们希望将该方法的性能扩展到分析三维大脑堆栈，以及检测/分割大脑图像中的微观结构，如树突棘等。”