（文章來源：MedPeer）

基于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后(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于卷積神經網絡(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，該單元會自動將其注冊到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征并對其進行分析。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于哺乳動物大腦結構有趣的觀察和見解。雖然這些方法對于研究大腦的解剖是非常有用的，但是進行一個真正的大腦范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，但在分析高度復雜的腦成像數據時，尤其是從密集信號區域分析時，大多數方法的效果并不理想。由于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。

展示了用于神經元檢測的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，可以應用于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，并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：出生后第4天、第14天、第56天等）。

首先，研究人員收集了一組大腦圖像，并給它們貼上標簽，用一個簡單的圖形程序在神經元周圍放置邊界框。隨后，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。

訓練完成后，DeNeRD模型能夠對全腦圖像進行徹底的分析，并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，我們的方法優于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，標記它們并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。”