Blockdiagram och prestanda för SeBRe. a. Blockdiagramarkitektur för SeBRe. Hjärnsektioner (vänster) matas som indata till Mask RCNN och utgången (höger) visar de segmenterade (registrerade) hjärnregionerna ovanpå den ingående hjärnsektionen. b. Kvalitativ prestandajämförelse av SeBRe på laterala (rad 1-2) och mediala (rad 3-4) hjärnsektioner med mänskliga annoterade masker. SeBRe fungerar optimalt på att förutsäga masker av hjärnregioner, för både upprättstående (kolumn 2) och roterade (kolumn 3) versioner av inmatade hjärnsektioner. Kredit:Theofanis Karayannis et al.
Ett team av forskare från hjärnforskningsinstitutet vid universitetet i Zürich och det schweiziska federala tekniska institutet (ETH) har utvecklat en helautomatisk hjärnregistreringsmetod som kan användas för att segmentera hjärnregioner av intresse hos möss.
Neuroforskare letar alltid efter nya metoder för att utforska strukturen och funktionen hos olika hjärnregioner, som till en början appliceras på djur men så småningom kan leda till viktiga upptäckter om den mänskliga hjärnans organisation.
"Mitt labb syftar till att avslöja hur däggdjurshjärnan utvecklar sin förmåga att bearbeta och reagera på sensoriska stimuli, "Theofanis Karayannis, en av forskarna som genomförde studien berättade för Tech Xplore. "Det mesta av arbetet vi gör är på den experimentella sidan, använder musen som ett modellsystem och tekniker som sträcker sig från molekylärgenetisk till funktionell och anatomisk."
Denna studie är en del av ett större projekt, som också inkluderar "Utforska hjärnans utveckling av hämning genom djupt lärande, "en studie där Karayannis och hans kollegor använder algoritmer för djupinlärning för att heltäckande spåra de så kallade hämmande neuronerna över tid för att mäta utvecklingen av hjärnans förmåga vid specifika tidpunkter.
Att göra det, de försökte ta fram en metod som exakt kunde avgränsa och segmentera olika hjärnregioner i experimentella bilder av den utvecklande mushjärnan, för att sedan extrahera information om platsen och tätheten av hämmande neuroner.
Prestandajämförelse av SeBRe med vanliga metoder för hjärnregistrering. a. Prestanda av SeBRe i att förutsäga hjärnregioner på slumpmässigt utvalda laterala och mediala hjärnsektioner i jämförelse med ndreg- och elastix-metoder. b. Plott över Mse-poäng för alla hjärnsektioner i testdatauppsättningen, för SeBRe, ndreg, och elastix. c. Genomsnittliga MSE-poäng för SeBRe, ndreg och elastix. c. Genomsnittliga MSE-poäng för SeBRe, ndreg och elastix, på hela datasetet. Kredit:Theofanis Karayannis et al.
"Genom att använda Asim Iqbals beräkningsfärdigheter, en doktorand i mitt labb, vi försökte först testa användbarheten av några bildregistreringsbaserade metoder som har fått uppmärksamhet i neurovetenskapliga studier under det senaste året, " förklarar Karayannis. "Vi insåg snabbt att befintliga tekniker är suboptimala för fall där vävnadssektionerna roteras eller när deras geometri äventyras på grund av metodologiska problem, till exempel under skivning av hjärnvävnad."
Efter att ha observerat begränsningarna hos befintliga bildregistreringsbaserade metoder, forskarna ville utveckla ett nytt verktyg för djupinlärning som kan ge tillförlitliga resultat oavsett möjlig skala, rotation och morfologiska problem som påverkar delar av hjärnvävnad.
Den här metoden, kallas SeBRe (Segmenting Brain Regions), möjliggör registrering genom att segmentera hjärnregioner av intresse, som skulle kunna hjälpa forskare i deras studier av hjärnregioner över en mängd olika utvecklingsstadier. SeBRe tar hjärnsektioner, såväl som de binära maskerna av hjärnregioner, som input för träning.
Forskarna tränade sitt neurala nätverk på hjärnsektioner av 14 dagar gamla möss, för två genetiska markörer. De testade sedan dess prestanda för att generera anatomiska masker av tidigare oidentifierade delar av hjärnan hos 4, 14, 28, och 56 dagar gamla möss, över en rad neuronala markörer. SeBRe överträffade alla befintliga hjärnregistreringsmetoder, tillhandahåller minsta medelkvadratfel (MSE)-poäng på en datauppsättning av mushjärna.
"Vår studie ger en roman, robust inställning till de nuvarande affina och icke-affina metoderna för registrering av hjärnområde, " säger Karayannis. "Det pekar också på användbarheten av en artificiell intelligens-baserad metod för att segmentera hjärnstrukturer av intresse."
Masker av hjärnregioner på laterala och mediala sagittala sektioner av P14 GAD1 och VGAT jordsanningsmushjärnor. De två första raderna i kolumn 1 visar laterala medan de två sista raderna visar de mediala hjärnsektionerna. Kolumn 2-6 visar grundsanningsmaskerna för fem exempel på hjärnregioner. Regionerna varierar i form och storlek när vi rör oss från lateralt till medialt (jämför t.ex. hippocampus över kolumn 3, för alla hjärnsektioner). Kredit:Theofanis
I framtiden, SeBRe kan vara avgörande för att spåra och kvantifiera anatomiska förändringar i hjärnan under utveckling, samt att identifiera annan meningsfull information, såsom vilka gener som uttrycks under utvecklingen av en mushjärna och deras spatio-temporala egenskaper.
Än så länge, deras djupinlärningsalgoritm har bara tränats på ett fåtal hjärnregioner och forskarna fann att den fungerade suboptimalt på andra områden med komplexa 3D-strukturer.
Karayannis och hans kollegor planerar nu att skala sin metod för att segmentera olika underregioner i musens och mänskliga hjärnan, genom att använda mer kommenterade data för att ytterligare optimera prestandan för deras algoritm.
"Förhoppningsvis, denna studie är början på en väg som i slutändan kommer att tillåta oss och samhället att utforska förändringar i hjärnans struktur och funktion, inte bara över olika utvecklingsstadier, men också vid förödande hjärnsjukdomar, hjälpa till att identifiera nya biomarkörer och bilda nya hypoteser om sjukdomsgenerering och progression, säger Karayannis.
© 2018 Tech Xplore
