Innehållsförteckning[Dölj][Visa]
Forskare kan bättre förstå och förutse samband mellan olika hjärnområden tack vare en ny GPU-baserad maskininlärningsalgoritm skapad av forskare vid Indian Institute of Science (IISc).
Algoritmen, känd som Regularized, Accelerated, Linear Fascicle Evaluation eller ReAl-LiFE, kan effektivt analysera de enorma datavolymerna som produceras av diffusionsmagnetisk resonanstomografi (dMRI) av den mänskliga hjärnan.
Teamets användning av ReAL-LiFE gjorde det möjligt för dem att analysera dMRI-data mer än 150 gånger snabbare än vad de kunde ha med nuvarande toppmoderna tekniker.
Hur fungerar hjärnanslutningsmodellen?
Varje sekund avfyras hjärnans miljontals neuroner, vilket skapar elektriska pulser som rör sig via neurala nätverk - även kända som "axoner" - från en del av hjärnan till en annan.
För att hjärnan ska fungera som en dator är dessa kopplingar nödvändiga. Men traditionella metoder för att studera hjärnanslutningar innebär ofta att man använder invasiva djurmodeller.
Men dMRI-skanningar erbjuder ett icke-invasivt sätt att undersöka mänskliga hjärnans kopplingar.
Hjärnans informationsvägar är kablarna (axonerna) som länkar samman dess olika regioner. Vattenmolekyler färdas tillsammans med axonknippen längs deras längd på ett riktat sätt eftersom de är formade som rör.
Connectome, som är en detaljerad karta över nätverket av fibrer som spänner över hjärnan, kan göras möjligt med dMRI, vilket gör det möjligt för forskare att följa denna rörelse.
Tyvärr är det inte enkelt att identifiera dessa kopplingar. Endast nettoflödet av vattenmolekyler på varje plats i hjärnan visas av skanningarnas data.
Betrakta vattenmolekylerna som bilar. Utan att veta något om vägbanorna är den enda information som samlas in bilarnas riktning och hastighet vid varje tidpunkt och plats.
Genom att övervaka dessa trafikmönster är uppgiften jämförbar med att sluta sig till vägnäten. Konventionella tillvägagångssätt matchar noga den förväntade dMRI-signalen från den antagna anslutningen med den faktiska dMRI-signalen för att korrekt identifiera dessa nätverk.
För att göra denna optimering skapade forskare tidigare en algoritm som heter LiFE (Linear Fascicle Evaluation), men en av dess nackdelar var att den fungerade på konventionella centralprocessorer (CPU), vilket gjorde beräkningen tidskrävande.
Verkliga livet är en revolutionerande modell som skapades av indiska forskare
Inledningsvis skapade forskare en algoritm som heter LiFE (Linear Fascial Evaluation) för att göra denna justering, men en av dess nackdelar var att den var beroende av vanliga centralprocessorer (CPU), som tog tid att beräkna.
Sridharans team förbättrade sin teknik i den senaste studien för att minimera bearbetningsarbetet som krävs på en mängd olika sätt, inklusive att ta bort redundanta anslutningar och avsevärt förbättra LiFE:s prestanda.
Tekniken förfinades ytterligare av forskarna genom att konstruera den för att fungera på Graphics Processing Units (GPU), som är specialiserade elektriska chips som används i avancerade speldatorer.
Detta gjorde det möjligt för dem att undersöka data 100-150 gånger snabbare än tidigare tillvägagångssätt. Thans uppdaterade algoritm, ReAl-LiFE, skulle också kunna förutse hur en mänsklig testperson kommer att agera eller göra ett visst jobb.
Med andra ord, med hjälp av algoritmens projicerade länkstyrkor för varje individ kunde teamet förklara varianser i beteendemässiga och kognitiva testresultat bland ett urval av 200 individer.
Sådan analys kan också ha medicinska användningar.” Storskalig databearbetning blir allt viktigare för neurovetenskapliga tillämpningar med stora data, särskilt för att förstå sund hjärnfunktion och hjärnsjukdomar.
Slutsats
Sammanfattningsvis kan ReAl-LiFE också förutse hur en mänsklig testperson kommer att agera eller göra ett visst jobb.
Med andra ord, med hjälp av algoritmens projicerade länkstyrkor för varje individ kunde teamet förklara varianser i beteendemässiga och kognitiva testresultat bland ett urval av 200 individer.
Sådan analys kan också ha medicinska användningar.” Storskalig databearbetning blir allt viktigare för neurovetenskapliga tillämpningar med stora data, särskilt för att förstå sund hjärnfunktion och hjärnsjukdomar.
Kommentera uppropet