通过采用“定向增强”，人工智能显着减少了手动图像注释的需求，简化了神经元识别过程。该技术在秀丽隐杆线虫身上进行了测试，不仅提高了分析效率，而且加深了对复杂神经元行为的了解。

关键事实：

1. 创新的AI技术： CNN方法自动合成注释，学习大脑内部变形以适应新的姿势。
2. 分析效率：与完全手动注释相比，这种方法使分析吞吐量增加了三倍，从而大大节省了研究时间和精力。
3. 应用和发现：该方法应用于富含神经元的蛔虫秀丽隐杆线虫，揭示了复杂的中间神经元行为和对刺激的反应。

资料来源：洛桑联邦理工学院

最近的进展允许对自由活动的动物体内的神经元进行成像。然而，为了解码电路活动，必须通过计算来识别和跟踪这些成像神经元。当大脑本身在生物体的柔性体内移动和变形时，例如蠕虫，这变得特别具有挑战性。到目前为止，科学界还缺乏解决该问题的工具。

现在，来自洛桑联邦理工学院和哈佛大学的科学家团队开发了一种开创性的人工智能方法来跟踪移动和变形动物体内的神经元。这项研究 由洛桑联邦理工学院基础科学学院的 Sahand Jamal Rahi 领导，现已发表在《自然方法》杂志上。

问题在于，为了在动物大脑的电影中识别和跟踪神经元，许多图像必须手动标记，因为由于许多不同的身体变形，动物随着时间的推移表现得非常不同。考虑到动物姿势的多样性，手动生成足够数量的注释来训练 CNN 可能是一项艰巨的任务。

为了解决这个问题，研究人员开发了一种具有“定向增强”功能的增强型 CNN。这项创新技术可以从一组有限的手动注释中自动合成可靠的注释以供参考。结果是，CNN 有效地学习了大脑的内部变形，然后利用它们为新姿势创建注释，从而大大减少了手动注释和双重检查的需要。

新方法用途广泛，能够识别神经元，无论它们在图像中表示为单个点还是 3D 体积。研究人员在秀丽隐杆线虫（  Caenorhabditis elegans）身上进行了测试，该线虫拥有 302 个神经元，使其成为神经科学领域流行的模型生物。

该团队已经使他们的 CNN 易于访问，提供了一个用户友好的图形用户界面，集成了有针对性的增强功能，将流程简化为从手动注释到最终校对的综合管道。

Sahand Jamal Rahi 表示：“通过显着减少神经元分割和跟踪所需的手动工作，与完全手动注释相比，新方法将分析吞吐量提高了三倍。”

“这一突破有可能加速大脑成像的研究，加深我们对神经回路和行为的理解。”