Innholdsfortegnelse[Gjemme seg][Forestilling]
Forskere kan bli bedre i stand til å forstå og forutsi sammenhenger mellom ulike hjerneområder takket være en ny GPU-basert maskinlæringsalgoritme laget av forskere ved Indian Institute of Science (IISc).
Algoritmen, kjent som Regularized, Accelerated, Linear Fascicle Evaluation eller ReAl-LiFE, er i stand til effektivt å analysere de enorme datavolumene som produseres av diffusjonsmagnetisk resonansavbildning (dMRI) skanninger av den menneskelige hjernen.
Teamets bruk av ReAL-LiFE tillot dem å analysere dMRI-data mer enn 150 ganger raskere enn de kunne ha gjort med dagens toppmoderne teknikker.
Hvordan fungerer hjernetilkoblingsmodellen?
Hvert sekund skyter hjernens millioner av nevroner, og skaper elektriske pulser som beveger seg via nevrale nettverk - også kjent som "aksoner" - fra en del av hjernen til en annen.
For at hjernen skal fungere som en datamaskin, er disse forbindelsene nødvendige. Imidlertid involverer tradisjonelle metoder for å studere hjerneforbindelser ofte bruk av invasive dyremodeller.
Imidlertid tilbyr dMRI-skanninger en ikke-invasiv måte å undersøke menneskelige hjerneforbindelser.
Informasjonsmotorveiene til hjernen er kablene (aksonene) som forbinder dens ulike regioner. Vannmolekyler reiser sammen med aksonbunter langs lengden på en rettet måte siden de er dannet som rør.
Connectome, som er et detaljert kart over nettverket av fibre som spenner over hjernen, kan gjøres mulig med dMRI, som gjør det mulig for forskere å følge denne bevegelsen.
Dessverre er det ikke enkelt å identifisere disse koblingene. Bare nettostrømmen av vannmolekyler på hvert sted i hjernen vises av skanningenes data.
Betrakt vannmolekylene som biler. Uten å vite noe om veibanene, er den eneste informasjonen som samles inn retningen og hastigheten til bilene på hvert tidspunkt og sted.
Ved å overvåke disse trafikkmønstrene er oppgaven sammenlignbar med å utlede nettverk av veier. Konvensjonelle tilnærminger samsvarer tett med det forventede dMRI-signalet fra det utledede konnektoren med det faktiske dMRI-signalet for å identifisere disse nettverkene korrekt.
For å gjøre denne optimaliseringen opprettet forskere tidligere en algoritme kalt LiFE (Linear Fascicle Evaluation), men en av ulempene var at den opererte på konvensjonelle Central Processing Units (CPUer), noe som gjorde beregningen tidkrevende.
Real-LiFE er en revolusjonerende modell som ble skapt av indiske forskere
Opprinnelig opprettet forskere en algoritme kalt LiFE (Linear Fascial Evaluation) for å gjøre denne justeringen, men en av ulempene var at den var avhengig av vanlige Central Processing Units (CPUer), som tok tid å beregne.
Sridharans team forbedret teknikken sin i den nyeste studien for å minimere prosesseringsarbeidet som kreves på en rekke måter, inkludert fjerning av overflødige tilkoblinger og betydelig forbedring av LiFEs ytelse.
Teknologien ble videreutviklet av forskerne ved å konstruere den til å fungere på Graphics Processing Units (GPUer), som er spesialiserte elektriske brikker som brukes i avanserte spill-PCer.
Dette tillot dem å undersøke data 100-150 ganger raskere enn tidligere tilnærminger. Thans oppdaterte algoritme, ReAl-LiFE, kan også forutse hvordan et menneskelig testperson vil handle eller gjøre en bestemt jobb.
Med andre ord, ved å bruke algoritmens projiserte koblingsstyrker for hvert individ, var teamet i stand til å forklare varianser i atferdsmessige og kognitive testresultater blant et utvalg på 200 individer.
Slike analyser kan også ha medisinsk bruk.» Storskala databehandling blir stadig viktigere for store data-nevrovitenskapelige applikasjoner, spesielt for å forstå sunn hjernefunksjon og hjernesykdommer.
konklusjonen
Som konklusjon kan ReAl-LiFE også forutse hvordan et menneskelig testperson vil opptre eller gjøre en bestemt jobb.
Med andre ord, ved å bruke algoritmens projiserte koblingsstyrker for hvert individ, var teamet i stand til å forklare varianser i atferdsmessige og kognitive testresultater blant et utvalg på 200 individer.
Slike analyser kan også ha medisinsk bruk.» Storskala databehandling blir stadig viktigere for store data-nevrovitenskapelige applikasjoner, spesielt for å forstå sunn hjernefunksjon og hjernesykdommer.
Legg igjen en kommentar