一種基於人工智慧的腦圖像處理方法

2021-01-20 電子發燒友
打開APP
一種基於人工智慧的腦圖像處理方法

MedPeer 發表於 2019-10-22 16:41:57

（文章來源：MedPeer）

基於深度學習的工作流程系統DeNeRD，框圖顯示了由神經元檢測器(TOP)單元處理的來自不同出生後(P)時間點的腦圖像的輸入。每一張大腦圖像都是通過一個基於卷積神經網絡(R-CNN)的體系結構依次通過更快的區域，該體系結構檢測和標記整個大腦圖像中的神經元。同樣的圖像也會通過大腦記錄器(底部)單元傳遞，該單元會自動將其註冊到Allen開發的小鼠腦地圖集中。

蘇黎世大學大腦研究所的研究人員最近在《Nature Scientific Reports》發表了一項技術， 可在不同發育階段的不同腦區自動檢測不同類型的神經元。

在細胞水平上描繪哺乳動物大腦的結構是一項重要而又艱巨的任務，這通常涉及到捕捉特定的解剖特徵並對其進行分析。在過去，研究人員能夠利用經典的組織學和體視學技術收集一些關於哺乳動物大腦結構有趣的觀察和見解。雖然這些方法對於研究大腦的解剖是非常有用的，但是進行一個真正的大腦範圍的分析通常需要一種不同的方法。

到目前為止，研究人員已經提出了許多方法來分析整個大腦的細胞組成，這些方法包括能夠檢測和計數腦細胞的工具。雖然其中一些方法取得了很好的效果，但在分析高度複雜的腦成像數據時，尤其是從密集信號區域分析時，大多數方法的效果並不理想。由於意識到現有的腦細胞檢測和計數技術的局限性，UZH的團隊開發了一種新的全自動全腦圖像處理技術，稱為DeNeRD。

展示了用於神經元檢測的DeNeRD細管中的深層神經網絡結構。一個小的腦切片圖像作為輸入，經過一系列的卷積階段，區域提議網絡(RPN)，感興趣區域(ROI)池和RCNN分類器。將RPN和ROI輸出組合在一起，作為RCNN分類器的輸入，從而區分神經元和背景類。

由Iqbal和他的同事設計的大腦處理技術DeNeRD是一種最先進的解決方案，可以應用於各種現實世界的成像任務，包括對象分類、檢測和分割。研究人員從被稱為Faster R-CNN的深度神經網絡的高性能中獲得靈感，這是最先進的對象檢測技術之一。在這項研究中，他們優化了這種深度學習模型，並專門訓練它來檢測小鼠大腦全腦圖像中的神經元，這些圖像是在不同的發育年齡拍攝的（例如：出生後第4天、第14天、第56天等）。

首先，研究人員收集了一組大腦圖像，並給它們貼上標籤，用一個簡單的圖形程序在神經元周圍放置邊界框。隨後，他們對這些圖像進行了深度神經網絡的訓練，實質上是教它檢測和計數腦細胞。神經元檢測器在P14 GAD1小鼠大腦圖像上的輸出如圖所示。藍色方框描繪了放大的圖像，在不同的神經元密度區域，可以看到標記的神經元及其在邊界方框上的分類分數的檢測。

訓練完成後，DeNeRD模型能夠對全腦圖像進行徹底的分析，並進行自動神經元檢測和腦圖像配準。Iqbal和他的同事們在一系列的測試中對他們的方法進行了評估，發現它表現得非常好，在使用各種成像技術收集的大量圖像中檢測出標記有不同遺傳標記的神經元。

Iqbal說：「我們的方法不受腦圖像中神經元的規模、大小、形狀和強度的影響，這是一種理想的方法，可以使用單一的深度神經網絡對各種腦成像樣本進行神經元檢測。」此外，通過提供最小誤差和高平均精度，我們的方法優於現有的神經元檢測方法。未來，該技術可以快速、自動地對哺乳動物的大腦進行更深入的分析。有趣的是，DeNeRD的性能是通用的，這在本質上意味著新用戶不需要收集新的數據集，標記它們並在使用之前對神經網絡進行重新訓練。

「一旦在大型腦數據集上進行訓練，該網絡就能很好地檢測各種遺傳標記和成像模式中的神經元。」 Iqbal說，「DeNeRD在檢測二維大腦圖像中的神經元方面做了優化，但在未來，我們希望將該方法的性能擴展到分析三維大腦堆棧，以及檢測/分割大腦圖像中的微觀結構，如樹突棘等。」

打開APP閱讀更多精彩內容

聲明：本文內容及配圖由入駐作者撰寫或者入駐合作網站授權轉載。文章觀點僅代表作者本人，不代表電子發燒友網立場。文章及其配圖僅供工程師學習之用，如有內容圖片侵權或者其他問題，請聯繫本站作侵刪。 侵權投訴

相關焦點

  • 深維科技加入元腦生態,攜手浪潮打造FPGA高性能圖像處理方案
    近日,浪潮與北京深維科技有限公司籤署元腦生態戰略合作協議,雙方將聯合打造基於FPGA的高性能圖像處理解決方案,共同為AI方案的行業落地和智算中心高效運營掃清最後一公裡障礙。人工智慧提出的初衷是希望機器像人一樣思考,從複雜多變的事物中快速查詢有用的信息。
  • 一種基於FPGA的實時紅外圖像預處理方法
    摘要：由於紅外圖像預處理算法自身的複雜性，使得紅外圖像在DSP中的預處理時間較長。針對這一問題，提出一種基於FPGA的實時紅外圖像預處理方法。
  • 受腦認知和神經科學啟發的人工智慧
    人工智慧滲透到了人類社會各個領域，但目前來看，無論是深度學習還是其它方法，解決的都是單一問題。人類大腦是一個多問題求解的結構，怎麼從腦認知和神經科學中得到構造健壯的人工智慧的啟示，國內外都做了非常多有成效的研究。 一、實現健壯的人工智慧的方法 人類面臨的許多問題具有不確定性、脆弱性和開放性。
  • 憶阻器類腦晶片與人工智慧
    近年來，類腦神經形態器件正在成為人工智慧和神經形態領域的一個重要分支，將為今後人工智慧的發展注入新的活力。人腦能夠以超低功耗處理大量信息，這得益於人腦中神經突觸的可塑性，若能利用納米尺寸的人造器件來模擬生物突觸，人造神經網絡乃至人造大腦都將會實現。信息大爆炸時代急速增加對存儲能力的需求，開發小尺寸多值非易失存儲器可廣泛服務於軍事和民用領域，符合國家重大需求。
  • 一種基於小波變換的圖像壓縮方法與實現
    1.2 圖像壓縮技術的發展一般將基於資訊理論和數位訊號處理的圖像壓縮技術稱為第一代壓縮技術，而將結合人類視覺特性、心理特性的圖像壓縮技術稱為第二代壓縮技術。第一代壓縮技術以信源編碼理論為基礎，使信源的概率分布儘可能非均勻或是去除信源符號間的相關性，從而達到壓縮的目的。第二代壓縮技術則注重於利用人類的生理特點來獲得高壓縮比，涉及的理論領域多，如基於分形理論、小波理論等。
  • OpenCV圖像處理專欄十五 |《一種基於亮度均衡的圖像閾值分割技術》
    前言對於光照不均勻的圖像,用通常的圖像分割方法不能取得滿意的效果。為了解決這個問題，論文《一種基於亮度均衡的圖像閾值分割技術》提出了一種實用而簡便的圖像分割方法。該方法針對圖像中不同亮度區域進行亮度補償,使得整個圖像亮度背景趨於一致後,再進行常規的閾值分割。實驗結果表明，用該方法能取得良好的分割效果。
  • 一種基於地面遙感延時圖像的咖啡花識別方法
    年10月，Plant Phenomics刊發了浙江大學遙感與信息技術應用研究所題為」Coffee Flower Identification Using Binarization Algorithm Based on Convolutional Neural Network for Digital Images「的研究論文，本文介紹了一種基於地面遙感延時圖像的咖啡花識別方法
  • 淺析人工智慧的卷積神經網絡與圖像處理
    淺析人工智慧的卷積神經網絡與圖像處理 demi 發表於 2019-11-02 11:23:43 在人工智慧深度學習技術中，有一個很重要的概念就是卷積神經網絡 CNN（Convolutional Neural
  • 一種自適應紅外圖像增強處理的FPGA實現
    但是由於受紅外探測器件的影響，紅外成像儀的成像效果還不夠理想，主要表現為圖像中的目標與背景區分不明顯、對比度低、噪聲大、信噪比低等缺點，因而紅外圖像處理首要解決的問題是圖像增強。要實現圖像的增強處理，主要有兩個途徑：一是改善探測器性能，一是在紅外圖像系統電子部分加入實時圖像處理功能。在目前條件下，加入實時圖像處理功能是快速而經濟的做法。
  • 圖像噪聲處理系統設計開題報告_圖像噪聲處理實驗報告 - CSDN
    隨著微電子技術、計算機網絡技術、計算機圖形圖像處理技術、人工智慧和自動控制技術的蓬勃發展，現代醫學影像技術已成為21世紀發展最快的技術領域之一[2]。隨著超聲(US)、計算機體層攝影(CT)、磁共振成像(MRI)、介人放射學及正電子發射體層攝影術(PET)等新的影像診斷和治療方法的相繼問世，醫學影像學從無到有，從小到大，經歷了一個飛速迅猛的發展過程。
  • 第三代人工智慧：「統計」還是「類腦」
    他提出，為了建立一個全面反映人類智能的AI，需要建立魯棒與可解釋的AI理論與方法，發展安全、可信、可靠與可擴展的AI技術，即第三代人工智慧。而這也是業界的共識。當下，人工智慧發展已步入「深水區」。它包括以生物為載體的生物智能（自然智能）和以機器為載體的機器智能（人工智慧）兩個方面。而智能科學是研究智能現象背後規律的科學，專指以機器智能為對象的技術科學。「生物大腦是最好的先驗結構。人類設計的各種人工智慧和機器學習方法，最終都將收斂到生物大腦結構。」黃鐵軍認為，正因如此，「強大智能必須依託複雜結構，站在進化肩膀上，看似艱難，實則最快」。
  • 院士說丨戴瓊海院士:搭建腦科學與人工智慧的橋梁
    來源：探臻科技評論人工智慧作為21世紀最具有影響力的技術，正在包括諸如機器人、語言識別、圖像識別、自然語言處理等諸多領域發揮著重要作用。腦科學被譽為「人類科學最後的前沿」，認識腦的奧秘是對人類的終極挑戰。
  • 智能圖像處理 讓機器視覺及其應用更智能高效
    編者按：無論是「中國製造2025」還是「工業4.0」都離不開人工智慧，離不開計算機視覺，而智能圖像處理是機器視覺的核心技術，隨著圖像處理水平的不斷提高，一定會有力地推動機器視覺的迅速發展。
  • 人工智慧開啟視覺處理新篇章:如何更好的理解這個世界
    傳統硬體架構難以滿足人工智慧時代深度學習的要求，新的算法需要新的硬體來支撐。同時，晶片的結構將越來越像「大腦」，類腦晶片、智能晶片等將是人工智慧的發展方向。更先進的系統為飛彈制導發送飛彈的區域，而不是一個特定的目標，並且當飛彈到達基於本地獲取的圖像數據的區域的目標做出選擇。現代軍事概念，如「戰場感知」，意味著各種傳感器，包括圖像傳感器，提供了豐富的有關作戰的場景，可用於支持戰略決策的信息。在這種情況下，數據的自動處理，用於減少複雜性和融合來自多個傳感器的信息，以提高可靠性。
  • 機器視覺和智能圖像處理技術之間的關係
    一般認為機器視覺「是通過光學裝置和非接觸傳感器自動地接受和處理一個真實場景的圖像，通過分析圖像獲得所需信息或用於控制機器運動的裝置」，可以看出智能圖像處理技術在機器視覺中佔有舉足輕重的位置。 智能圖像處理是指一類基於計算機的自適應於各種應用場合的圖像處理和分析技術，本身是一個獨立的理論和技術領域，但同時又是機器視覺中的一項十分重要的技術支撐。
  • 【清大全腦開發】(全腦必讀)什麼是圖像記憶?
    記憶這門技術在沒有生物科學的介入時，想使記憶力得到更好的提高只有依靠更好的方法和技巧了，圖像記憶雖然還不為很多人知曉，但它卻是目前世界上最先進，最有效的記憶方法。也期望更多的人掌握這方法，同時不斷的豐富和創新圖像記法的機制。在進行記憶訓練的同時，更重要的充分開發了大腦的創新，直覺機能。
  • 華西醫院副院長龔啟勇:腦醫學與人工智慧發展前沿丨CMAI 2018
    來自全球的20多位專家學者、醫生和產業界代表齊聚一堂，圍繞人工智慧+醫療、醫學圖像分析、機器學習等熱點領域開展了歷時兩天的深入交流與探討。作為大會上午醫學人工智慧前沿環節的重量級嘉賓，龔啟勇教授向與會觀眾分享了題為「腦醫學與人工智慧發展前沿」的精彩專題報告。
  • 圖說| 掃描人工智慧大腦:絢麗圖像展示機器學習處理過程
    選自Wired機器之心編譯參與：吳攀、蔣思源、杜夏德在很多時候，機器學習的處理過程對我們來說都是黑箱，為了了解這個黑箱，研究者已經做了很多的工作。近日，Wired 一篇文章介紹了位於布里斯托的創業公司 Graphcore 在這方面的美麗貢獻，該公司利用人工智慧處理單元和軟體創建了機器學習過程的「腦圖」，得到的結果經過渲染後非常具有視覺衝擊力。
  • 基於opencv 的圖像處理入門教程
    前言雖然計算機視覺領域目前基本是以深度學習算法為主，但實際上很多時候對圖片的很多處理方法，並不需要採用深度學習的網絡模型，採用目前成熟的圖像處理庫即可實現，比如 OpenCV 和 PIL ，對圖片進行簡單的調整大小、裁剪、旋轉，或者是對圖片的模糊操作。
  • 基於CNN的單一圖像超分辨(SISR)方法總結
    早期的prediction-based的方法包括linear, bicubic等插值方法，隨後有一些根據邊緣特徵進行超分辨重建的工作。這些方法速度快，但會產生過於平滑的紋理細節。之後有很多example-based方法，藉助訓練數據，嘗試建立低解析度圖像到高解析度圖像的映射。針對這一映射函數，很多學習方法被提出，其中基於稀疏編碼的方法逐漸成為主流。