អ្នកវិទ្យាសាស្ត្រអាចយល់ និងព្យាករណ៍ទំនាក់ទំនងរវាងផ្នែកផ្សេងៗនៃខួរក្បាលបានប្រសើរជាងមុន ដោយសារក្បួនដោះស្រាយការរៀនម៉ាស៊ីនផ្អែកលើ GPU ថ្មីដែលបង្កើតឡើងដោយអ្នកស្រាវជ្រាវនៅវិទ្យាស្ថានវិទ្យាសាស្ត្រឥណ្ឌា (IISc) ។
ក្បួនដោះស្រាយដែលគេស្គាល់ថាជា Regularized, Accelerated, Linear Fascicle Evaluation ឬ ReAl-LiFE មានសមត្ថភាពវិភាគយ៉ាងមានប្រសិទ្ធភាពនូវបរិមាណដ៏ធំនៃទិន្នន័យដែលផលិតដោយការស្កែនរូបភាពម៉ាញេទិករីករាលដាល (dMRI) នៃខួរក្បាលមនុស្ស។
ការប្រើប្រាស់ ReAL-LiFE របស់ក្រុមនេះបានអនុញ្ញាតឱ្យពួកគេវិភាគទិន្នន័យ dMRI លឿនជាង 150 ដងច្រើនជាងអ្វីដែលពួកគេអាចមានជាមួយនឹងបច្ចេកទេសទំនើបបំផុតនាពេលបច្ចុប្បន្ន។
តើគំរូនៃការតភ្ជាប់ខួរក្បាលដំណើរការយ៉ាងដូចម្តេច?
រាល់វិនាទី ណឺរ៉ូនរាប់លានរបស់ខួរក្បាលឆេះ បង្កើតចរន្តអគ្គិសនីដែលផ្លាស់ទីតាមបណ្តាញសរសៃប្រសាទ ដែលត្រូវបានគេស្គាល់ថាជា "អ័ក្ស" ពីផ្នែកមួយនៃខួរក្បាលទៅផ្នែកមួយទៀត។
ដើម្បីឱ្យខួរក្បាលដំណើរការជាកុំព្យូទ័រ ការតភ្ជាប់ទាំងនេះគឺចាំបាច់។ ទោះជាយ៉ាងណាក៏ដោយ វិធីសាស្រ្តបែបបុរាណសម្រាប់ការសិក្សាអំពីទំនាក់ទំនងខួរក្បាលជារឿយៗពាក់ព័ន្ធនឹងការប្រើគំរូសត្វដែលរាតត្បាត។
ទោះជាយ៉ាងណាក៏ដោយ ការស្កែន dMRI ផ្តល់នូវវិធីដែលមិនរាតត្បាតដើម្បីពិនិត្យមើលទំនាក់ទំនងខួរក្បាលរបស់មនុស្ស។
ផ្លូវហាយវេព័ត៌មាននៃខួរក្បាលគឺជាខ្សែ (អ័ក្ស) ដែលភ្ជាប់តំបន់ផ្សេងៗរបស់វា។ ម៉ូលេគុលទឹកធ្វើដំណើររួមជាមួយបណ្តុំអ័ក្សតាមបណ្តោយរបស់វាក្នុងលក្ខណៈតម្រង់ទិសចាប់តាំងពីវាត្រូវបានបង្កើតឡើងដូចជាបំពង់។
តំណភ្ជាប់ដែលជាផែនទីលម្អិតនៃបណ្តាញសរសៃដែលលាតសន្ធឹងលើខួរក្បាលអាចត្រូវបានបង្កើតឡើងដោយ dMRI ដែលអាចឱ្យអ្នកស្រាវជ្រាវធ្វើតាមចលនានេះ។
ជាអកុសល ការកំណត់អត្តសញ្ញាណឧបករណ៍ភ្ជាប់ទាំងនេះមិនសាមញ្ញទេ។ មានតែលំហូរសុទ្ធនៃម៉ូលេគុលទឹកនៅទីតាំងនីមួយៗក្នុងខួរក្បាលប៉ុណ្ណោះដែលត្រូវបានបង្ហាញដោយទិន្នន័យរបស់ស្កែន។
ពិចារណាម៉ូលេគុលទឹកជារថយន្ត។ ដោយមិនបានដឹងអ្វីពីផ្លូវថ្នល់នោះទេ ព័ត៌មានតែមួយគត់ដែលប្រមូលបានគឺ ទិសដៅ និងល្បឿនរបស់រថយន្តនៅចំណុចនីមួយៗ តាមពេលវេលា និងទីកន្លែង។
តាមរយៈការត្រួតពិនិត្យគំរូចរាចរណ៍ទាំងនេះ ភារកិច្ចគឺអាចប្រៀបធៀបទៅនឹងការសន្និដ្ឋានបណ្តាញផ្លូវថ្នល់។ វិធីសាស្រ្តសាមញ្ញត្រូវគ្នាយ៉ាងជិតស្និទ្ធទៅនឹងសញ្ញា dMRI ដែលរំពឹងទុកពីឧបករណ៍ភ្ជាប់ដែលបានសន្និដ្ឋានជាមួយនឹងសញ្ញា dMRI ពិតប្រាកដ ដើម្បីកំណត់អត្តសញ្ញាណបណ្តាញទាំងនេះឱ្យបានត្រឹមត្រូវ។
ដើម្បីបង្កើនប្រសិទ្ធភាពនេះ អ្នកវិទ្យាសាស្ត្រមុននេះបានបង្កើតក្បួនដោះស្រាយមួយហៅថា LiFE (Linear Fascicle Evaluation) ប៉ុន្តែគុណវិបត្តិមួយរបស់វាគឺថាវាដំណើរការលើអង្គដំណើរការកណ្តាលធម្មតា (CPUs) ដែលធ្វើឱ្យការគណនាចំណាយពេលច្រើន។
ជីវិតពិត គឺជាគំរូបដិវត្តន៍មួយដែលត្រូវបានបង្កើតឡើងដោយអ្នកស្រាវជ្រាវឥណ្ឌា
ដំបូងឡើយ អ្នកស្រាវជ្រាវបានបង្កើតក្បួនដោះស្រាយមួយហៅថា LiFE (Linear Fascial Evaluation) ដើម្បីធ្វើការកែតម្រូវនេះ ប៉ុន្តែគុណវិបត្តិមួយរបស់វាគឺថាវាពឹងផ្អែកលើប្រព័ន្ធដំណើរការកណ្តាលធម្មតា (CPUs) ដែលចំណាយពេលដើម្បីគណនា។
ក្រុមការងាររបស់ Sridharan បានកែលម្អបច្ចេកទេសរបស់ពួកគេនៅក្នុងការសិក្សាថ្មីបំផុត ដើម្បីកាត់បន្ថយការងារកែច្នៃដែលត្រូវការក្នុងវិធីជាច្រើន រួមទាំងការដកចេញនូវការតភ្ជាប់ដែលលែងត្រូវការ ហើយនិងធ្វើអោយប្រសើរឡើងយ៉ាងខ្លាំងនូវដំណើរការរបស់ LiFE ។
បច្ចេកវិទ្យានេះត្រូវបានកែលម្អបន្ថែមទៀតដោយអ្នកស្រាវជ្រាវដោយវិស្វកម្មវាដើម្បីធ្វើការលើ Graphics Processing Units (GPUs) ដែលជាបន្ទះសៀគ្វីអគ្គិសនីពិសេសដែលប្រើក្នុងកុំព្យូទ័រលេងហ្គេមកម្រិតខ្ពស់។
នេះអនុញ្ញាតឱ្យពួកគេពិនិត្យមើលទិន្នន័យ 100-150 ដងលឿនជាងវិធីសាស្រ្តមុន ៗ ។ ធក្បួនដោះស្រាយដែលបានធ្វើបច្ចុប្បន្នភាពរបស់គាត់ ReAl-LiFE ក៏អាចប្រមើលមើលពីរបៀបដែលប្រធានបទតេស្តរបស់មនុស្សនឹងធ្វើសកម្មភាព ឬធ្វើការងារជាក់លាក់មួយ។
ម្យ៉ាងវិញទៀត ដោយប្រើភាពខ្លាំងនៃតំណភ្ជាប់ដែលបានព្យាកររបស់ក្បួនដោះស្រាយសម្រាប់បុគ្គលម្នាក់ៗ ក្រុមការងារអាចពន្យល់ពីភាពខុសគ្នានៃពិន្ទុតេស្តអាកប្បកិរិយា និងការយល់ដឹងក្នុងចំណោមគំរូបុគ្គលចំនួន 200 នាក់។
ការវិភាគបែបនេះក៏អាចមានការប្រើថ្នាំដែរ»។ ដំណើរការទិន្នន័យទ្រង់ទ្រាយធំកំពុងមានសារៈសំខាន់កាន់តែខ្លាំងឡើងសម្រាប់កម្មវិធីវិទ្យាសាស្ត្រប្រសាទទិន្នន័យធំ ជាពិសេសក្នុងការយល់ដឹងអំពីមុខងារខួរក្បាលដែលមានសុខភាពល្អ និងបញ្ហាខួរក្បាល។
សន្និដ្ឋាន
សរុបសេចក្តីមក ReAl-LiFE ក៏អាចប្រមើលមើលពីរបៀបដែលប្រធានបទតេស្តរបស់មនុស្សនឹងធ្វើសកម្មភាព ឬធ្វើការងារជាក់លាក់មួយ។
ម្យ៉ាងវិញទៀត ដោយប្រើភាពខ្លាំងនៃតំណភ្ជាប់ដែលបានព្យាកររបស់ក្បួនដោះស្រាយសម្រាប់បុគ្គលម្នាក់ៗ ក្រុមការងារអាចពន្យល់ពីភាពខុសគ្នានៃពិន្ទុតេស្តអាកប្បកិរិយា និងការយល់ដឹងក្នុងចំណោមគំរូបុគ្គលចំនួន 200 នាក់។
ការវិភាគបែបនេះក៏អាចមានការប្រើថ្នាំដែរ»។ ដំណើរការទិន្នន័យទ្រង់ទ្រាយធំកំពុងមានសារៈសំខាន់កាន់តែខ្លាំងឡើងសម្រាប់កម្មវិធីវិទ្យាសាស្ត្រប្រសាទទិន្នន័យធំ ជាពិសេសក្នុងការយល់ដឹងអំពីមុខងារខួរក្បាលដែលមានសុខភាពល្អ និងបញ្ហាខួរក្បាល។
សូមផ្ដល់យោបល់