7 月 16 日， Google AI 發布了一篇博客稱，Google Research 部門和 Max Planck 研究所合作提出了一種新型的遞歸神經網絡，它可以提升連接組數據進行自動分析的準確性，相比先前深度學習技術的準確性是數量級的提升。

Jeff Dean 隨后也在 Twitter 上轉發評價稱，“使用人工神經網絡重建真實神經元的連接性研究真的很酷。”

▌數量級提升了連接組數據自動分析的準確性

根據維基百科的定義，連接組學（Connectomics）繪制與研究神經連接組（connectomes）是一種刻畫有機體神經系統（尤其是腦和眼）的連接方式的完整線路圖。由于這些結構極其復雜，高效篩選的神經成像和組織學方法被用于提高繪制神經連接線路圖的速度、效率和精度。

連接組學的目的是全面映射神經系統中的神經元網絡的結構，以便更好地理解大腦是如何運作的。這個過程需要以納米分辨率（通常使用電子顯微鏡）對腦組織進行 3D 成像，然后分析所得到的圖像數據，以追蹤大腦的神經軸突，并識別單個突觸連接。

由于成像的高分辨率，即使是 1 立方毫米的腦組織也可以產生超過 1000 TB 的數據。再加上這些圖像中的結構比較微妙和復雜，大腦映射的主要瓶頸是自動分析這些數據，而不是獲取數據本身。

Google 與 Max Plank 神經生物學研究所在《Nature Methods》中發表的“用泛洪填充網絡高效自動重建神經元（High-Precision Automated Reconstruction of Neurons with Flood-Filling Networks）”一文，則展示了一種新型的遞歸神經網絡，如何提升連接組數據自動分析的準確性，這比先前深度學習技術是數量級的提升。

▌使用泛洪填充網絡進行 3D 圖像分割

在大規模電子顯微鏡數據中追蹤神經軸突是一個圖像分割問題。傳統算法將該過程劃分為至少兩個步驟：使用邊緣檢測器或機器學習分類器找出神經軸突之間的邊界，然后使用分水嶺（watershd）或圖形切割等算法將未被邊界分隔的圖像像素進行組合。

2015 年，他們開始嘗試基于遞歸神經網絡的替代方法，將這兩個步驟統一起來。該算法在特定的像素位置播種，然后使用循環卷積神經網絡不斷地“填充”一個區域，該網絡會預測哪些像素是與該特定像素屬于同一部分。自 2015 年以來，他們一直致力于將這種新方法應用于大規模的連接組數據集，并嚴格量化其準確性。

分割對象的泛洪填充網絡。黃點是當前焦點區域的中心;當算法不斷檢查整個圖像時，分割區域會不斷擴展（藍色）。

▌通過預期的運行長度測量精度

他們設計了一個叫做“預期運行長度”（ERL）的度量標準：給出大腦三維圖像中隨機神經元內的隨機點，在犯錯前，可以追蹤神經元的距離。這是一個平均故障間隔時間（Mean Time Between Failures）的示例，但在這種情況下檢測出的是故障之間的空間而不是時間。

對于研究人員而言，ERL 的吸引力在于，它將線性物理路徑長度與算法產生的各個錯誤的頻率聯系起來，并且可以直接計算。對生物學家來說， ERL 的特定數值可以與生物學相關數量產生聯系，例如神經系統不同部分的神經元平均路徑長度。

藍線表示預期運行長度（ERL）的結果。紅線表示“合并率”，“合并率”指兩個單獨的神經軸突被錯誤地追蹤為單個對象的頻率; 非常低的合并率對于實現手動識別和糾正重建中的剩余錯誤很重要。

▌鳴禽的連接組學

他們使用 ERL 測量了在 100 萬立方微米的斑胸草雀大腦的真實神經元數據集，發現該方法的表現好于其他應用于同一數據集的深度學習方法。

算法在追蹤斑胸草雀大腦中的單個神經軸突

他們使用新的泛洪填充網絡方法對斑胸草雀大腦的一小部分神經元進行分割，重建一部分斑胸草雀的大腦。不同顏色表示使用填充灌溉網絡自動生成的分割的不同對象。金球代表使用以前的方法自動識別的突觸位置。

他們還將繼續改進連接組學重建技術。為了幫助更多研究團體開發連接組學技術，他們開發了用于泛洪填充網絡方法的 TensorFlow 代碼，并開發了用于 3D 數據集的 Web GL 可視化軟件幫助理解和改進重建結果。