沖破挑戰，實現神經元自動化精確測量

原文地址：http://news.sciencenet.cn/htmlnews/2023/5/500242.shtm

人腦是由數百億個神經元連接而成的復雜網絡。大規模神經元形態重建算法開發、基準測試與準確性度量，對理解大腦的發育和功能、神經系統疾病診治具有重要意義。

近日，東南大學腦科學與智能技術研究院聯合多個國內外團隊，在神經元自動追蹤算法基準測試與性能預測方面取得重要研究進展，相關成果發表在國際方法學頂刊《自然—方法》。

一個巨大的挑戰

大腦是非常重要的器官，其中包含860億個神經元，而大腦發揮功能的基礎正是這些如星辰大海般的神經元。

“為了深入了解大腦的功能和原理，我們需要先了解神經元的形態。但是，獲取神經元的完整形態非常困難，因為需要耗費大量時間和人力成本進行人工標注。一種可行的方法是使用自動算法進行神經元形態的重建，但目前業界尚缺乏標準的數據集和準確性評估方法。”論文共同作者、東南大學博士劉裕峰在接受《中國科學報》采訪時說。

神經元的結構非常微小，通常在亞微米級尺度下，而像哺乳動物的神經元跨度通常有幾百毫米甚至厘米級。因此要重建一個完整的神經元，需要具備大尺度高分辨率的數據，這導致數據量非常龐大。即使對于小鼠的大腦來說，也需要處理大約50個TB數據，這對算法來說是一個巨大的挑戰。

到目前為止，僅有數千個哺乳動物（小鼠）完整神經元被重建出來。2019年Janellia Farm團隊發表在《細胞》上的一篇文章中重建了1000個神經元。而后2021年和2022年東南大學-艾倫研究中心和中國科學院腦科學與智能技術卓越創新中心領導的研究團隊分別成功重建了1741個完整神經元形態和6357個投射神經元，其成果發表在《自然》和《自然-神經科學》雜志上。

神經元多樣性的研究、形態與功能之間的聯系，以及神經元層面的腦連接圖的繪制，都亟需高通量神經元追蹤技術。這在大型數據腦計劃（如中國腦計劃和美國腦計劃等）中尤為重要。

“然而，光學顯微鏡數據集中的神經元追蹤仍然需要大量手動操作，非常耗費人力。雖然已經提出了許多自動跟蹤算法，但使用效果令人沮喪，因為不同方法的結果質量在不同的成像條件下差異很大。”論文共同第一作者、東南大學腦科學與智能技術研究院研究員Linus Manubens-Gil(中文名林霽爾）在接受《中國科學報》采訪時說。

該領域面臨的一個挑戰是開發完全自動化的神經元追蹤工具。

但在過去40多年里，開發此類算法的嘗試表明這是一個巨大的挑戰，因為現有光學顯微圖像通常包含較多噪音和瑕疵，非常容易導致神經元自動重建錯誤。而即使是單一節點錯誤，例如在神經元的軸突中遺漏了一個分支點，也可能導致重建效果不理想。所以這是一個非常敏感的問題，需要高度精確的算法。

“雖然，許多研究團隊已經提出了自動追蹤算法，但在特定數據集（例如在某個實驗室中生成的數據集）表現良好的工具并不適用于其他團隊的研究領域。”Linus Manubens-Gil說，因此，另一個挑戰就是為現有工具定義開放標準進行基準測試。

  ?

BigNeuron概述及其交互方式。  受訪者供圖

一項多方面的研究

研究團隊收集并共享了大約包含3萬張跨物種的、廣泛多樣的三維神經元圖像數據集，并將它們用于自動追蹤算法的基準測試，生成了超過140萬個神經元重建，得到了迄今最大的神經元重建基準測試數據集。

“對于一個研究領域來說，標準化是最基礎也是最難的一步，一旦實現數據和方法標準化，后面的事情相對容易得多，也避免了‘自說自話’。”研究人員表示，目前業界正缺乏和高質量的測試數據（“金標準”）和測試方法，而他們的研究解決了這個問題。

研究團隊從神經元重建中選取了166個神經元圖像，并手動標注得到了其“金標準”重建形態，用于自動追蹤算法的后驗基準測試。

作為這項研究的一部分，研究團隊還開發了一個交互式網絡應用程序，使用戶和開發人員能夠可視化圖像數據和神經元重建結果并對它們進行各種分析。一個有趣的現象是，不同的算法可以提供互補信息，他們因此開發了一種迭代組合不同算法的方法來產生一致的重建結果，提高了自動重建方法的可訪問性、準確性和效率。

該研究的另一個貢獻是，開發了一種預測自動神經元重建算法準確性的新方法，使用圖像質量的特定指標和一組重建結果作為輸入，而無需手動注釋圖像。

“目前，BigNeuron注釋數據集和基準算法已用于數百項研究，毫無疑問，它將繼續成為研究人員開發新算法或確定哪些現有算法最適合他們實驗的主要資源。”論文共同通訊作者、澳大利亞新南威爾士大學教授Erik Meijering表示。

總而言之，這項研究為解決各種技術障礙設定了一個標準，最終目標是了解單個神經元和神經元網絡如何在健康和疾病中發揮作用。

一場友好的競爭

這項研究之所以順利開展，是因為有來自多國的計算機科學、神經科學、神經信息學等不同學科的研究人員一起合作。這篇論文的作者數量就高達65人。

而且，合作方式也尤為獨特，是從競爭性轉向合作性來解決神經科學中的開放性問題的關鍵性轉變。

過去十年里，研究團隊在計算機視覺和生物醫學圖像分析領域組織了許多國際競賽，目的是客觀地比較最先進的算法在解決各種問題時的性能。

但是，除了回答‘當前誰是最好的’問題之外，這些研究中的大多數在創造機會和促進協作方面對該領域的貢獻甚微。有些人甚至將此類研究稱為“搏擊俱樂部”。

相比之下，BigNeuron項目從一開始就是一項“團體作戰”，“鼓勵計算機科學家、神經科學家和神經信息學家在多年來組織的各種編程馬拉松和研討會中攜手合作。論文中長長的作者名單證明了這一點。”Erik Meijering表示。

研究團隊在通用開放平臺Vaa3D上對單神經元自動追蹤算法進行基準測試，舉辦一系列編程馬拉松和活動，開發了16種自動追蹤算法，并以“金標準”數據為參考，量化了35種自動追蹤算法（16種算法的變體）的重建質量。

這是一場友好的競爭。這與傳統的基于獎勵的支持神經科學研究的機制截然不同，后者不可避免地讓實驗室相互爭斗。

“我希望，我們的研究能夠激發新算法的開發，我們的工具能對光學顯微鏡中的神經元追蹤有一定的促進。”Linus Manubens-Gil說。