美國杜克大學的生物工程師最近發明了一種基于卷積神經網絡 (CNN) 的自動化手段，在保證準確率的前提下，將專業人士需要十幾小時的興奮神經標識任務，縮短至幾十分鐘，這會成為神經科學領域的一大助力。

這項基于人工智能的新技術，解決了神經元研究領域一個關鍵性的瓶頸問題。論文作者之一、杜克大學生物醫學工程學院教授 Sain Farsiu 對此評價道：“這對實現完全繪制腦部活動（圖像）至關重要。我們想要開發一種在不同實驗設定下，都能實現近似人類準確率的快速自動化神經元標記方法，這是一項極具挑戰的任務。”

論文的第一作者、杜克大學醫學工程學院在讀博士生 Somayyeh Soltanian-Zadeh 這樣說到：“我們的方法基于深度學習模型，它不僅速度很快，并且能夠達到（甚至超越）人類專家在雙光子視頻上對興奮神經元的標記水平。”

在行為神經學（Behavioural Neuroscience）領域，科學家們探尋動物認知、情緒和運動功能在大腦神經細胞層面的具體機制。這對于理解某些神經和心理疾病，如精神分裂和阿爾茲海默癥等疾病的發生機理有著至關重要的作用。

傳統細胞生物學的研究方法，是對離體培養的細胞進行觀察。但對腦部神經元來說，這種做法就行不通，因為神經細胞必須在活體的大腦環境中才能正常運轉。因此，誕生了雙光子成像技術（Two-photon Imaging），它利用光子的穿透性原理，在不損害細胞的情況下，對活體動物的腦內神經元進行實時掃描成像。

圖|雙光子顯微鏡工作示意圖，雙光子（鈣離子）成像截圖（來源：Takaki Komiyama/the University of California San Diego）

雖然有了成熟的影像技術，但對影片上的單個神經元進行標記卻是一項極具挑戰的工作。這就如同在一部電影里，需要時刻追蹤一個人物的位置和活動。目前常用的方法，是手動圈選所看到的每個興奮神經元。問題是，一幅畫面中通常存在上千個細胞，想要準確地識別，只能反復觀看影片。處理一段 30 分鐘的視頻成像，一個專業分析師通常要不吃不喝地連續工作 4 至 24 個小時。如果不同區域的細胞有重疊，則會進一步增加識別的難度。

而杜克大學生物醫學工程學院這個團隊所發明的興奮神經元標記方法，卻能在短短幾十分鐘內完成上述工作，并且標記準確率與專業分析師相當。這一新方法刊登在了近期的《美國國家科學學院院刊》（PNAS）上。

這一套新的人工智能興奮神經元標記方法由三個部分組成。首先是一系列的預處理步驟，包括對雙光子成像視頻進行分割（每 120 幀為一個批次）和裁剪（去除邊框）等操作。

接著，將經過預處理的視頻輸入一個稱作“時空神經網絡”（Spatiotemporal Neural Network，簡稱 STNeuroNet）的 3D 卷積神經網絡模型，它可以對每批輸入的 120 幀視頻圖像進行分析，并生成一張概率圖，表示每個像素點上可能是興奮神經元的概率。這一步是整個流程的核心。

最后一步，通過概率臨界值進行選擇、重疊神經元區分和整合的操作，將概率圖轉換成對整段視頻中興奮神經元的定位和標記。

圖|人工智能神經元標記方法（來源：Somayyeh Soltanian-Zadeh/Duke University）

STNeuroNet 的設計借鑒了計算機視頻處理領域使用的深度神經網絡模型，具有一個復雜的結構。

首先，它將輸入的視頻片段分別通過一個卷積層和一個平均池化層后，進行整合拼接。

再經過三個不同尺寸的密集特征堆 (dense feature stack)，用來提取在不同維度下的特征圖譜 (feature map)。

三個特征圖譜分別經過一個 50% 隨機失活的卷積層之后，再次經過組合拼接和兩次上采樣 (up-sampling) 便回到了初始的分辨率。

最后經過一個最大池化層和兩個平面卷積層，再由 Softmax 函數得到最終的概率圖 (probability map)。

STNeuroNet 模型使用的是自定義的 Dice-loss 目標函數。

圖|基于DenseVNET的STNeuroNet模型（來源：Somayyeh Soltanian-Zadeh/Duke University）

研究結果顯示，STNeuroNet 模型的性能比現有的類似模型要優越很多。在標記準確率方面，查全率（Recall）遠超其他類似模型，查準率（Precision）以及綜合評價指標（F1）也比其他模型要高。

圖|模型準確率比較（來源：Somayyeh Soltanian-Zadeh/Duke University）

識別速度方面，在不考慮預處理和后加工過程的情況下，STNeuroNet 的速度可以達到一秒鐘處理 27 幀視頻，這超過了所有現有的方法。即使考慮了前后處理的時間，處理 10 段視頻的效率也達到了約 17 幀每秒。

不僅如此，研究人員還發現在某一特定神經元區域訓練的 STNeuroNet 模型，即使在另外一個有著完全不同神經元尺寸和密度的區域，同樣可以實現興奮神經元的標記，并且有較高準確度。他們把這歸因于計算機神經網絡模型優秀的普遍性（generalizability）特征。

為了讓更多的科研人員能夠共享這項新技術帶來的便利，研究團隊已經在互聯網上將他們的全部代碼和數據公開。

基于這樣先進的技術手段，神經學家們或許很快就能實現對腦部神經活動的動態實時分析。這個科研團隊的負責人之一、杜克大學生物醫學工程學院助理教授 Yiyang Gong 已經在著手研究老鼠各類行為與腦部神經元興奮之間的關系。

就像 Soltanian-Zadeh 說的那樣：“對興奮神經元更有效率地識別，能夠給研究腦部神經與肢體行為之間的關系提供非常多的線索。這將會為神經科學研究開啟一扇嶄新的大門。”