[ad_1]

موش آزمایشگاهی

اعتبار: CC0 دامنه عمومی

مهندسان زیست پزشکی جانز هاپکینز یک استراتژی آموزشی هوش مصنوعی (AI) برای ثبت تصاویری از سلول‌های مغز موش در حال توسعه ایجاد کرده‌اند. محققان می گویند سیستم هوش مصنوعی، در هماهنگی با میکروسکوپ های فوق کوچک تخصصی، این امکان را فراهم می کند که دقیقاً کجا و چه زمانی سلول ها در حین حرکت، یادگیری و حافظه فعال می شوند. داده‌های جمع‌آوری‌شده با این فناوری می‌تواند روزی به دانشمندان این امکان را بدهد که بفهمند مغز چگونه کار می‌کند و تحت تأثیر بیماری قرار می‌گیرد.

آزمایش‌های این محقق روی موش‌ها در سال انتشار یافت ارتباطات طبیعت در 22 مارس

دکتر زینگد لی، استاد مهندسی زیست پزشکی در دانشکده پزشکی دانشگاه جان هاپکینز، می گوید: «وقتی سر موش برای تصویربرداری مهار می شود، فعالیت مغز آن ممکن است واقعاً عملکرد عصبی آن را نشان ندهد. “برای ترسیم مدارهای مغزی که عملکردهای روزانه پستانداران را کنترل می کنند، باید دقیقاً ببینیم که در بین سلول های مغزی فردی و اتصالات آنها چه اتفاقی می افتد، در حالی که حیوان آزادانه در حال حرکت، غذا خوردن و معاشرت است.”

برای جمع‌آوری این داده‌های بسیار دقیق، تیم لی میکروسکوپ‌های فوق‌العاده کوچکی را توسعه دادند که موش‌ها می‌توانند آن را بالای سر خود قرار دهند. اندازه این میکروسکوپ‌ها با اندازه‌گیری چند میلی‌متر، فناوری تصویربرداری را که می‌توانند روی آن حمل کنند، محدود می‌کند. در مقایسه با مدل‌های رومیزی، نرخ فریم میکروسکوپ‌های مینیاتوری پایین است که آنها را مستعد تداخل حرکتی می‌کند. اختلالاتی مانند تنفس یا ضربان قلب موش بر دقت داده‌هایی که این میکروسکوپ‌ها می‌توانند دریافت کنند، تأثیر می‌گذارد. محققان تخمین می زنند که میکروسکوپ مینیاتوری لی باید بیش از 20 فریم در ثانیه باشد تا تمام اختلالات ناشی از حرکت یک موش آزادانه در حال حرکت را از بین ببرد.

لی می گوید: «دو راه برای افزایش نرخ فریم وجود دارد. “شما می توانید سرعت اسکن را افزایش دهید و می توانید تعداد نقاط اسکن شده را کاهش دهید.”

در تحقیقات قبلی، تیم مهندسی لی به سرعت دریافتند که به محدودیت‌های فیزیکی اسکنر رسیده‌اند و به شش فریم در ثانیه می‌رسند که کیفیت تصویر عالی را حفظ می‌کند اما بسیار کمتر از نرخ مورد نیاز است. بنابراین، تیم به استراتژی دوم برای افزایش نرخ فریم-کاهش تعداد نقاط اسکن شده- رفت. با این حال، مشابه کاهش تعداد پیکسل‌ها در یک تصویر، این استراتژی باعث می‌شود که میکروسکوپ داده‌هایی با وضوح پایین‌تر ثبت کند.

لی این فرضیه را مطرح کرد که یک برنامه هوش مصنوعی می تواند برای شناسایی و بازیابی نقاط از دست رفته آموزش ببیند و تصاویر را با وضوح بالاتر افزایش دهد. چنین پروتکل‌های آموزشی هوش مصنوعی زمانی استفاده می‌شوند که ایجاد یک برنامه رایانه‌ای برای یک کار غیرممکن یا زمان بر باشد، مانند تشخیص قابل اعتماد مجموعه‌ای از ویژگی‌ها به عنوان چهره انسان. در عوض، دانشمندان کامپیوتر از رویکردی استفاده می‌کنند که به رایانه‌ها اجازه می‌دهد از طریق پردازش مجموعه‌های بزرگ داده برنامه‌نویسی کنند.






اعتبار: دانشکده پزشکی دانشگاه جان هاپکینز

یکی از چالش‌های مهم در رویکرد AI پیشنهادی فقدان تصاویر مشابه از مغز موش برای آموزش هوش مصنوعی بود. برای غلبه بر این شکاف، تیم یک استراتژی آموزشی دو مرحله ای را توسعه داد. محققان آموزش هوش مصنوعی را برای شناسایی اجزای سازنده مغز از تصاویر نمونه های ثابت بافت مغز موش آغاز کردند. آنها در مرحله بعد هوش مصنوعی را آموزش دادند تا این اجزای سازنده را در یک موش زنده نگهدارنده سر در زیر میکروسکوپ فوق کوچک خود تشخیص دهد. این مرحله به هوش مصنوعی آموزش داد تا سلول های مغز را با تغییرات ساختاری طبیعی و کمی حرکت ناشی از حرکت تنفس و ضربان قلب موش تشخیص دهد.

لی می‌گوید: «امید این بود که هر زمان که داده‌ها را از یک ماوس متحرک جمع‌آوری می‌کنیم، همچنان به اندازه کافی مشابه باشد تا شبکه هوش مصنوعی بتواند آن را تشخیص دهد.

سپس، محققان برنامه هوش مصنوعی را آزمایش کردند تا ببینند که آیا می تواند تصاویر مغز ماوس را با افزایش تدریجی نرخ فریم به طور دقیق بهبود بخشد. محققان با استفاده از یک تصویر مرجع، نقاط اسکن میکروسکوپ را با عوامل 2، 4، 8، 16 و 32 کاهش دادند و مشاهده کردند که هوش مصنوعی با چه دقتی می تواند تصویر را بهبود بخشد و وضوح تصویر را بازیابی کند.

محققان دریافتند که هوش مصنوعی می تواند کیفیت تصویر را تا ۲۶ فریم در ثانیه به اندازه کافی بازیابی کند.

سپس این تیم آزمایش کردند که ابزار هوش مصنوعی در ترکیب با یک میکروسکوپ کوچک متصل به سر یک ماوس متحرک چقدر خوب عمل می کند. با ترکیب هوش مصنوعی و میکروسکوپ، محققان توانستند به‌طور دقیق جهش‌های فعالیت سلول‌های مغزی منفرد را که توسط راه رفتن، چرخش و به طور کلی محیط اطراف موش فعال می‌شوند، ببینند.

لی می‌گوید: «ما هرگز قبلاً نمی‌توانستیم این اطلاعات را با وضوح و نرخ فریم بالا ببینیم. این پیشرفت می‌تواند جمع‌آوری اطلاعات بیشتری را در مورد نحوه اتصال دینامیک مغز به عمل در سطح سلولی ممکن کند.

محققان می گویند با آموزش بیشتر، برنامه هوش مصنوعی ممکن است قادر به تفسیر دقیق تصاویر تا 52 یا حتی 104 فریم در ثانیه باشد.


میکروسکوپ روی سر امکان تصویربرداری طولانی مدت از مغز را در موش هایی که آزادانه در حال حرکت هستند می دهد


اطلاعات بیشتر:
Honghua Guan و همکاران، فیبرسکوپی دو فوتونی یادگیری عمیق برای تصویربرداری از مغز با نرخ ویدئو در موش‌های دارای رفتار آزاد، ارتباطات طبیعت (2022). DOI: 10.1038/s41467-022-29236-1

ارائه شده توسط دانشکده پزشکی دانشگاه جان هاپکینز

نقل قول: از تار به روشن: فناوری هوش مصنوعی به محققان کمک می کند تا به مغز موش ها نگاه کنند (2022، 28 آوریل) بازیابی شده در 29 آوریل 2022 از https://medicalxpress.com/news/2022-04-blurry-bright-ai-tech-peer .html

این برگه یا سند یا نوشته تحت پوشش قانون کپی رایت است. به غیر از هرگونه معامله منصفانه به منظور مطالعه یا تحقیق خصوصی، هیچ بخشی بدون اجازه کتبی قابل تکثیر نیست. محتوای مذکور فقط به هدف اطلاع رسانی ایجاد شده است.



[ad_2]