Содержание[Скрывать][Показывать]
Ученые могут лучше понимать и прогнозировать связи между различными областями мозга благодаря новому алгоритму машинного обучения на основе графического процессора, созданному исследователями из Индийского института науки (IISc).
Алгоритм, известный как регуляризованная, ускоренная, линейная оценка пучков или ReAl-LiFE, способен эффективно анализировать огромные объемы данных, полученных с помощью диффузионной магнитно-резонансной томографии (dMRI) сканирования человеческого мозга.
Использование командой ReAL-LiFE позволило им анализировать данные dMRI более чем в 150 раз быстрее, чем они могли бы сделать с помощью современных современных методов.
Как работает модель связи мозга?
Каждую секунду миллионы нейронов мозга срабатывают, создавая электрические импульсы, которые перемещаются через нейронные сети, также известные как «аксоны», от одной части мозга к другой.
Чтобы мозг функционировал как компьютер, эти соединения необходимы. Однако традиционные методы изучения мозговых связей часто предполагают использование инвазивных моделей животных.
Тем не менее, сканирование dMRI предлагает неинвазивный способ изучения связей человеческого мозга.
Информационные магистрали мозга — это кабели (аксоны), связывающие различные его области. Молекулы воды движутся вместе с пучками аксонов по их длине направленно, так как имеют форму трубок.
Коннектом, который представляет собой подробную карту сети волокон, охватывающих мозг, может быть создан с помощью дМРТ, что позволяет исследователям следить за этим движением.
К сожалению, идентифицировать эти коннектомы непросто. Данные сканирования показывают только чистый поток молекул воды в каждом месте мозга.
Молекулы воды можно рассматривать как автомобили. Ничего не зная о дорогах, единственная собираемая информация — это направление и скорость автомобилей в каждый момент времени и места.
Отслеживая эти модели движения, задача сравнима с определением сети дорог. Обычные подходы точно соответствуют ожидаемому сигналу dMRI от предполагаемого коннектома с фактическим сигналом dMRI, чтобы правильно идентифицировать эти сети.
Для этой оптимизации ученые ранее создали алгоритм под названием LiFE (Linear Fascicle Evaluation), но одним из его недостатков было то, что он работал на обычных центральных процессорах (ЦП), что делало вычисления трудоемкими.
Реальная жизнь революционная модель, созданная индийскими исследователями
Первоначально исследователи создали алгоритм под названием LiFE (Linear Fascial Evaluation) для этой корректировки, но одним из его недостатков было то, что он зависел от обычных центральных процессоров (ЦП), для вычислений которых требовалось время.
Команда Шридхарана улучшила свою технику в новейшем исследовании, чтобы свести к минимуму работу по обработке, необходимую различными способами, включая удаление избыточных соединений и значительное улучшение производительности LiFE.
Исследователи усовершенствовали эту технологию, разработав ее для работы с графическими процессорами (GPU), которые представляют собой специализированные электрические микросхемы, используемые в высокопроизводительных игровых ПК.
Это позволило им исследовать данные в 100-150 раз быстрее, чем в предыдущих подходах. Тего обновленный алгоритм, ReAl-Life, также может предсказывать, как испытуемый будет действовать или выполнять определенную работу.
Другими словами, используя спроецированную алгоритмом силу связи для каждого человека, команда смогла объяснить различия в результатах поведенческих и когнитивных тестов среди выборки из 200 человек.
Такой анализ также может иметь медицинское применение». Крупномасштабная обработка данных становится все более важной для нейробиологических приложений с большими данными, особенно для понимания нормальной работы мозга и его нарушений.
Заключение
В заключение, ReAl-Life может также предвидеть, как испытуемый будет действовать или выполнять определенную работу.
Другими словами, используя спроецированную алгоритмом силу связи для каждого человека, команда смогла объяснить различия в результатах поведенческих и когнитивных тестов среди выборки из 200 человек.
Такой анализ также может иметь медицинское применение». Крупномасштабная обработка данных становится все более важной для нейробиологических приложений с большими данными, особенно для понимания нормальной работы мозга и его нарушений.
Оставьте комментарий