Daptar eusi[Sumputkeun][Témbongkeun]
Élmuwan tiasa langkung saé ngartos sareng ngaramalkeun sambungan antara sababaraha daérah otak berkat algoritma pembelajaran mesin berbasis GPU énggal anu diciptakeun ku peneliti di Indian Institute of Science (IISc).
Algoritma, katelah Regularized, Accelerated, Linear Fascicle Evaluation atanapi ReAl-LiFE, sanggup sacara éfisién nganalisis jilid data anu masif anu dihasilkeun ku difusi pencitraan résonansi magnetik (dMRI) dina otak manusa.
Pamakéan tim REAL-LiFE ngamungkinkeun aranjeunna pikeun nganalisis data dMRI langkung ti 150 kali langkung gancang tibatan anu tiasa dipiboga ku téknik canggih ayeuna.
Kumaha modél konektipitas otak dianggo?
Unggal detik, jutaan neuron otak kahuruan, nyiptakeun pulsa listrik anu ngalir ngaliwatan jaringan saraf—ogé katelah “akson”—tina hiji bagian otak ka bagian séjén.
Pikeun fungsi otak salaku komputer, sambungan ieu diperlukeun. Tapi, métode tradisional pikeun ngulik sambungan otak sering ngalibatkeun ngagunakeun modél sato invasif.
Tapi, scan dMRI nawiskeun cara non-invasif pikeun mariksa sambungan otak manusa.
Jalan raya informasi otak nyaéta kabel (akson) anu ngahubungkeun sagala rupa daérahna. Molekul cai ngarambat sapanjang kalawan bundles axon sapanjang panjang maranéhanana dina ragam diarahkeun saprak maranéhna kabentuk kawas tabung.
Konektor, anu mangrupikeun peta detil jaringan serat anu ngalangkungan uteuk, tiasa dilakukeun ku dMRI, anu ngamungkinkeun para panalungtik nuturkeun gerakan ieu.
Hanjakal, ngaidentipikasi sambungan ieu teu basajan. Ngan aliran bersih molekul cai di unggal lokasi dina uteuk ditémbongkeun ku data scan '.
Mertimbangkeun molekul cai salaku mobil. Tanpa terang nanaon ngeunaan jalan raya, hiji-hijina inpormasi anu dikumpulkeun nyaéta arah sareng laju mobil dina unggal titik dina waktos sareng tempat.
Ku ngawaskeun pola lalu lintas ieu, tugasna tiasa dibandingkeun sareng nyimpulkeun jaringan jalan raya. Pendekatan konvensional cocog pisan sareng sinyal dMRI anu dipiharep tina sambungan anu disimpulkeun sareng sinyal dMRI anu saleresna pikeun ngaidentipikasi jaringan ieu.
Pikeun ngalakukeun optimasi ieu, élmuwan saméméhna nyieun hiji algoritma disebut LiFE (Linear Fascicle Evaluasi), tapi salah sahiji drawbacks nya éta beroperasi dina Unit Processing Tengah konvensional (CPUs), nu ngajadikeun komputasi waktu-consuming.
Kahirupan nyata nyaéta modél revolusioner anu diciptakeun ku panalungtik India
Mimitina, panalungtik nyiptakeun algoritma anu disebut LiFE (Linear Fascial Evaluation) pikeun ngalakukeun panyesuaian ieu, tapi salah sahiji kalemahanana nyaéta gumantung kana Unit Pemrosesan Pusat (CPU) biasa, anu butuh waktos kanggo ngitung.
Tim Sridharan ngaronjatkeun téknik maranéhanana dina ulikan panganyarna pikeun ngaleutikan karya processing diperlukeun dina rupa-rupa cara, kaasup nyoplokkeun sambungan kaleuleuwihan sarta nyata ngaronjatkeun kinerja LiFE urang.
Téknologi ieu disampurnakeun deui ku panalungtik ku ngarékayasa éta pikeun ngerjakeun Unit Pangolahan Grafik (GPU), nyaéta chip listrik khusus anu dianggo dina PC kaulinan high-end.
Hal ieu ngamungkinkeun aranjeunna pikeun nalungtik data 100-150 kali leuwih gancang ti pendekatan saméméhna. Talgoritma na diropéa, ReAl-Kahirupan, ogé bisa antisipasi kumaha subjek test manusa bakal meta atawa ngalakukeun pakasaban nu tangtu.
Dina basa sejen, ngagunakeun kakuatan link projected algoritma pikeun tiap individu, tim éta bisa ngajelaskeun varian dina skor tés behavioral jeung kognitif diantara sampel 200 individu.
Analisis sapertos kitu ogé tiasa gaduh kagunaan ubar. ” Ngolah data skala ageung janten langkung penting pikeun aplikasi neurosains data ageung, khususna dina ngartos fungsi otak anu séhat sareng gangguan otak.
kacindekan
Kasimpulanana, ReAl-LiFE ogé tiasa ngantisipasi kumaha subjek tés manusa bakal meta atanapi ngalakukeun padamelan anu tangtu.
Dina basa sejen, ngagunakeun kakuatan link projected algoritma pikeun tiap individu, tim éta bisa ngajelaskeun varian dina skor tés behavioral jeung kognitif diantara sampel 200 individu.
Analisis sapertos kitu ogé tiasa gaduh kagunaan ubar. ” Ngolah data skala ageung janten langkung penting pikeun aplikasi neurosains data ageung, khususna dina ngartos fungsi otak anu séhat sareng gangguan otak.
Leave a Reply