这项基于人工智能的新技能，办理了神经元研究领域一个关键性的瓶颈问题。
论文作者之一、杜克大学生物医学工程学院教授 Sain Farsiu 对此评价道：“这对实现完备绘制脑部活动（图像）至关主要。
我们想要开拓一种在不同实验设定下，都能实现近似人类准确率的快速自动化神经元标记方法，这是一项极具寻衅的任务。
”

论文的第一作者、杜克大学医学工程学院在读博士生 Somayyeh Soltanian-Zadeh 这样说到：“我们的方法基于深度学习模型，它不仅速率很快，并且能够达到（乃至超越）人类专家在双光子***上对愉快神经元的标记水平。
”

在行为神经学（Behavioural Neuroscience）领域，科学家们探寻动物认知、感情和运动功能在大脑神经细胞层面的详细机制。
这对付理解某些神经和生理疾病，如精神分裂和阿尔兹海默症等疾病的发生机理有着至关主要的浸染。

传统细胞生物学的研究方法，是对离体培养的细胞进行不雅观察。
但对脑部神经元来说，这种做法就行不通，由于神经细胞必须在活体的大脑环境中才能正常运转。
因此，出身了双光子成像技能（Two-photon Imaging），它利用光子的穿透性事理，在不危害细胞的情形下，对活体动物的脑内神经元进行实时扫描成像。

图|双光子显微镜事情示意图，双光子（钙离子）成像截图（来源：Takaki Komiyama/the University of California San Diego）

虽然有了成熟的影像技能，但对影片上的单个神经元进行标记却是一项极具寻衅的事情。
这就犹如在一部电影里，须要时候追踪一个人物的位置和活动。
目前常用的方法，是手动圈选所看到的每个愉快神经元。
问题是，一幅画面中常日存在上千个细胞，想要准确地识别，只能反复不雅观看影片。
处理一段 30 分钟的***成像，一个专业剖析师常日要不吃不喝地连续事情 4 至 24 个小时。
如果不同区域的细胞有重叠，则会进一步增加识别的难度。

而杜克大学生物医学工程学院这个团队所发明的愉快神经元标记方法，却能在短短几十分钟内完成上述事情，并且标记准确率与专业剖析师相称。
这一新方法刊登在了近期的《美国国家科学学院院刊》（PNAS）上。

这一套新的人工智能愉快神经元标记方法由三个部分组成。
首先是一系列的预处理步骤，包括对双光子成像***进行分割（每 120 帧为一个批次）和裁剪（去除边框）等操作。

接着，将经由预处理的***输入一个称作“时空神经网络”（Spatiotemporal Neural Network，简称 STNeuroNet）的 3D 卷积神经网络模型，它可以对每批输入的 120 帧***图像进行剖析，并天生一张概率图，表示每个像素点上可能是愉快神经元的概率。
这一步是全体流程的核心。

末了一步，通过概率临界值进行选择、重叠神经元区分和整合的操作，将概率图转换成对整段***中愉快神经元的定位和标记。

图|人工智能神经元标记方法（来源：Somayyeh Soltanian-Zadeh/Duke University ）

STNeuroNet 的设计借鉴了打算机***处理领域利用的深度神经网络模型，具有一个繁芜的构造。

首先，它将输入的***片段分别通过一个卷积层和一个均匀池化层后，进行整合拼接。

再经由三个不同尺寸的密集特色堆 (dense feature stack)，用来提取在不同维度下的特色图谱 (feature map)。

三个特色图谱分别经由一个 50% 随机失落活的卷积层之后，再次经由组合拼接和两次上采样 (up-sampling) 便回到了初始的分辨率。

末了经由一个最大池化层和两个平面卷积层，再由 Softmax 函数得到终极的概率图 (probability map)。

STNeuroNet 模型利用的是自定义的 Dice-loss 目标函数。

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

研究结果显示，STNeuroNet 模型的性能比现有的类似模型要优胜很多。
在标记准确率方面，查全率（Recall）远超其他类似模型，查准率（Precision）以及综合评价指标（F1）也比其他模型要高。

图|模型准确率比较（来源：Somayyeh Soltanian-Zadeh/Duke University ）

识别速率方面，在不考虑预处理和后加工过程的情形下，STNeuroNet 的速率可以达到一秒钟处理 27 帧***，这超过了所有现有的方法。
纵然考虑了前后处理的韶光，处理 10 段***的效率也达到了约 17 帧每秒。

不仅如此，研究职员还创造在某一特定神经元区域演习的 STNeuroNet 模型，纵然在其余一个有着完备不同神经元尺寸和密度的区域，同样可以实现愉快神经元的标记，并且有较高准确度。
他们把这归因于打算机神经网络模型精良的普遍性（generalizability）特色。

为了让更多的科研职员能够共享这项新技能带来的便利，研究团队已经在互联网年夜将他们的全部代码和数据公开。

基于这样前辈的技能手段，神经学家们或许很快就能实现对脑部神经活动的动态实时剖析。
这个科研团队的卖力人之一、杜克大学生物医学工程学院助理教授 Yiyang Gong 已经在动手研究老鼠各种行为与脑部神经元愉快之间的关系。

就像 Soltanian-Zadeh 说的那样：“对愉快神经元更有效率地识别，能够给研究脑部神经与肢体行为之间的关系供应非常多的线索。
这将会为神经科学研究开启一扇崭新的大门。
”