De biomedische ingenieurs van Johns Hopkins hebben een trainingsstrategie voor kunstmatige intelligentie (AI) ontwikkeld om beelden van muizenhersencellen in actie vast te leggen. De onderzoekers zeggen dat het AI-systeem, in combinatie met gespecialiseerde ultrakleine microscopen, het mogelijk maakt om precies te vinden waar en wanneer cellen worden geactiveerd tijdens beweging, leren en geheugen. De gegevens die met deze technologie zijn verzameld, kunnen wetenschappers op een dag in staat stellen te begrijpen hoe de hersenen werken en worden aangetast door ziekten.
De experimenten van de onderzoeker met muizen werden op 22 maart gepubliceerd in Nature Communications.
“Als het hoofd van een muis wordt vastgehouden voor beeldvorming, vertegenwoordigt de hersenactiviteit mogelijk niet echt zijn neurologische functie”, zegt Xingde Li, Ph.D., hoogleraar biomedische technologie aan de Johns Hopkins University School of Medicine. “Om hersencircuits in kaart te brengen die de dagelijkse functies bij zoogdieren regelen, moeten we precies zien wat er gebeurt tussen individuele hersencellen en hun verbindingen, terwijl het dier vrij rondloopt, eet en socialiseert.”
Om deze uiterst gedetailleerde gegevens te verzamelen, ontwikkelde het team van Li ultrakleine microscopen die de muizen op hun hoofd kunnen dragen. Met een diameter van een paar millimeter beperken de afmetingen van deze microscopen de beeldtechnologie die ze aan boord kunnen dragen. In vergelijking met tafelmodelmodellen is de framesnelheid op de miniatuurmicroscopen laag, waardoor ze gevoelig zijn voor interferentie door beweging. Verstoringen zoals de ademhaling of de hartslag van de muis zouden de nauwkeurigheid van de gegevens die deze microscopen kunnen vastleggen, beïnvloeden. Onderzoekers schatten dat Li’s miniatuurmicroscoop 20 frames per seconde zou moeten overschrijden om alle verstoringen van de beweging van een vrij bewegende muis te elimineren.
“Er zijn twee manieren om de framesnelheid te verhogen”, zegt Li. “U kunt de scansnelheid verhogen en u kunt het aantal gescande punten verlagen.”
In eerder onderzoek ontdekte het technische team van Li al snel dat ze de fysieke limieten van de scanner bereikten en zes frames per seconde bereikten, wat een uitstekende beeldkwaliteit behield maar ver onder de vereiste snelheid lag. Dus ging het team verder met de tweede strategie voor het verhogen van de framesnelheid: het verminderen van het aantal gescande punten. Echter, vergelijkbaar met het verminderen van het aantal pixels in een afbeelding, zou deze strategie ervoor zorgen dat de microscoop gegevens met een lagere resolutie vastlegt.
advertentie
Li veronderstelde dat een AI-programma zou kunnen worden getraind om de ontbrekende punten te herkennen en te herstellen, waardoor de afbeeldingen worden verbeterd tot een hogere resolutie. Dergelijke AI-trainingsprotocollen worden gebruikt wanneer het onmogelijk of tijdrovend is om een computerprogramma voor een taak te maken, zoals het betrouwbaar herkennen van een cluster van kenmerken als een menselijk gezicht. In plaats daarvan gebruiken computerwetenschappers de benadering om computers te laten leren zichzelf te programmeren door grote hoeveelheden gegevens te verwerken.
Een belangrijke uitdaging in de voorgestelde AI-aanpak was het ontbreken van vergelijkbare afbeeldingen van muizenhersenen om de AI tegen te trainen. Om deze kloof te overbruggen, ontwikkelde het team een trainingsstrategie in twee fasen. De onderzoekers begonnen de AI te trainen om de bouwstenen van de hersenen te identificeren op basis van afbeeldingen van vaste monsters van hersenweefsel van muizen. Vervolgens trainden ze de AI om deze bouwstenen te herkennen in een levende muis met hoofdsteun onder hun ultrakleine microscoop. Deze stap trainde de AI om hersencellen te herkennen met natuurlijke structurele variatie en een klein beetje beweging veroorzaakt door de beweging van de ademhaling en hartslag van de muis.
“De hoop was dat wanneer we gegevens van een bewegende muis verzamelen, deze nog steeds vergelijkbaar genoeg zullen zijn voor het AI-netwerk om te herkennen”, zegt Li.
Vervolgens testten de onderzoekers het AI-programma om te zien of het de hersenbeelden van muizen nauwkeurig kon verbeteren door de framesnelheid stapsgewijs te verhogen. Met behulp van een referentiebeeld verminderden de onderzoekers de scanpunten van de microscoop met factoren 2, 4, 8, 16 en 32 en observeerden ze hoe nauwkeurig de AI het beeld kon verbeteren en de beeldresolutie kon herstellen.
De onderzoekers ontdekten dat de AI de beeldkwaliteit adequaat kon herstellen tot 26 frames per seconde.
advertentie
Het team testte vervolgens hoe goed de AI-tool presteerde in combinatie met een minimicroscoop die aan de kop van een bewegende muis was bevestigd. Met de combinatie van AI en microscoop waren de onderzoekers in staat om precies de activiteitspieken van individuele hersencellen te zien die werden geactiveerd door de muis die liep, roteerde en in het algemeen zijn omgeving verkende.
“We hadden deze informatie nooit eerder met zo’n hoge resolutie en framesnelheid kunnen zien”, zegt Li. “Deze ontwikkeling zou het mogelijk kunnen maken om meer informatie te verzamelen over hoe de hersenen dynamisch zijn verbonden met actie op cellulair niveau.”
De onderzoekers zeggen dat met meer training het AI-programma in staat kan zijn om beelden nauwkeurig te interpreteren tot 52 of zelfs 104 frames per seconde.
Andere onderzoekers die bij deze studie betrokken zijn, zijn Honghua Guan, Dawei Li, Hyeon-cheol Park, Ang Li, Yungtian Gau en Dwight Bergles van de Johns Hopkins University School of Medicine; Yuanlei Yue en Hui Lu van de George Washington-universiteit; en Ming-Jun Li van Corning Inc.
Dit onderzoek werd ondersteund door het National Cancer Institute (R01 CA153023), de National Science Foundation Major Research Instrumentation Grant (CEBT1430030) en de Johns Hopkins Medicine Discovery Fund Synergy Award.
lees het gehele artikel bij de bron
————————————————– ———————————–
samenvatting:
Biomedische ingenieurs hebben een trainingsstrategie voor kunstmatige intelligentie (AI) ontwikkeld om beelden van muizenhersencellen in actie vast te leggen. De onderzoekers zeggen dat het AI-systeem, in combinatie met gespecialiseerde ultrakleine microscopen, het mogelijk maakt om precies te vinden waar en wanneer cellen worden geactiveerd tijdens beweging, leren en geheugen.
Datum van publicatie: 29 april 2022
Bron: Klimaat | Top milieunieuws — ScienceDaily
————————————————– ———————————–