Table des matières[Cacher][Montrer]
Les scientifiques peuvent mieux comprendre et prévoir les connexions entre les différentes zones du cerveau grâce à un nouvel algorithme d'apprentissage automatique basé sur GPU créé par des chercheurs de l'Indian Institute of Science (IISc).
L'algorithme, connu sous le nom d'évaluation de fascicule régularisé, accéléré et linéaire ou ReAl-LiFE, est capable d'analyser efficacement les volumes massifs de données produites par les analyses d'imagerie par résonance magnétique de diffusion (dMRI) du cerveau humain.
L'utilisation de ReAL-LiFE par l'équipe leur a permis d'analyser les données dMRI plus de 150 fois plus rapidement qu'avec les techniques de pointe actuelles.
Comment fonctionne le modèle de connectivité cérébrale ?
Chaque seconde, les millions de neurones du cerveau s'activent, créant des impulsions électriques qui se déplacent via des réseaux neuronaux, également appelés « axones », d'une partie du cerveau à une autre.
Pour que le cerveau fonctionne comme un ordinateur, ces connexions sont nécessaires. Cependant, les méthodes traditionnelles d'étude des connexions cérébrales impliquent souvent l'utilisation de modèles animaux invasifs.
Cependant, les analyses dMRI offrent un moyen non invasif d'examiner les connexions du cerveau humain.
Les autoroutes de l'information du cerveau sont les câbles (axones) qui relient ses différentes régions. Les molécules d'eau voyagent avec les faisceaux d'axones sur leur longueur de manière dirigée car elles sont formées comme des tubes.
Le connectome, qui est une carte détaillée du réseau de fibres traversant le cerveau, peut être rendu possible par l'IRMd, qui permet aux chercheurs de suivre ce mouvement.
Malheureusement, l'identification de ces connectomes n'est pas simple. Seul le flux net de molécules d'eau à chaque endroit du cerveau est montré par les données des scans.
Considérez les molécules d'eau comme des automobiles. Sans rien connaître des routes, les seules informations recueillies sont la direction et la vitesse des voitures à chaque instant et lieu.
En surveillant ces modèles de trafic, la tâche est comparable à l'inférence des réseaux de routes. Les approches conventionnelles correspondent étroitement au signal dMRI attendu du connectome déduit avec le signal dMRI réel afin d'identifier correctement ces réseaux.
Pour effectuer cette optimisation, les scientifiques ont précédemment créé un algorithme appelé LiFE (Linear Fascicle Evaluation), mais l'un de ses inconvénients était qu'il fonctionnait sur des unités centrales de traitement (CPU) conventionnelles, ce qui rendait le calcul fastidieux.
Vrai vie est un modèle révolutionnaire créé par des chercheurs indiens
Initialement, les chercheurs ont créé un algorithme appelé LiFE (Linear Fascial Evaluation) pour effectuer cet ajustement, mais l'un de ses inconvénients était qu'il dépendait d'unités centrales de traitement (CPU) ordinaires, qui prenaient du temps à calculer.
L'équipe de Sridharan a amélioré sa technique dans la dernière étude afin de minimiser le travail de traitement requis de diverses manières, notamment en supprimant les connexions redondantes et en améliorant considérablement les performances de LiFE.
La technologie a été affinée par les chercheurs en la concevant pour fonctionner sur des unités de traitement graphique (GPU), qui sont des puces électriques spécialisées utilisées dans les PC de jeu haut de gamme.
Cela leur a permis d'examiner les données 100 à 150 fois plus rapidement que les approches précédentes. Json algorithme mis à jour, ReAl-LiFE, pourrait également anticiper comment un sujet de test humain agira ou fera un certain travail.
En d'autres termes, en utilisant les forces de liaison projetées de l'algorithme pour chaque individu, l'équipe a pu expliquer les écarts dans les scores des tests comportementaux et cognitifs parmi un échantillon de 200 individus.
Une telle analyse peut également avoir des usages médicinaux. Le traitement de données à grande échelle devient de plus en plus important pour les applications de neurosciences de mégadonnées, en particulier pour comprendre la fonction cérébrale saine et les troubles cérébraux.
Conclusion
En conclusion, ReAl-LiFE pourrait également anticiper comment un sujet de test humain agira ou fera un certain travail.
En d'autres termes, en utilisant les forces de liaison projetées de l'algorithme pour chaque individu, l'équipe a pu expliquer les écarts dans les scores des tests comportementaux et cognitifs parmi un échantillon de 200 individus.
Une telle analyse peut également avoir des usages médicinaux. Le traitement de données à grande échelle devient de plus en plus important pour les applications de neurosciences de mégadonnées, en particulier pour comprendre la fonction cérébrale saine et les troubles cérébraux.
Soyez sympa! Laissez un commentaire