Een team van onderzoekers van het Brain Research Institute van de Universiteit van Zürich en het Zwitserse Federale Instituut voor Technologie (ETH) heeft een volledig geautomatiseerde hersenregistratiemethode ontwikkeld die kan worden gebruikt om hersengebieden van belang in muizen te segmenteren.

Neurowetenschappers zijn altijd op zoek naar nieuwe methoden om de structuur en functie van verschillende hersengebieden te onderzoeken, die aanvankelijk op dieren worden toegepast, maar uiteindelijk kunnen leiden tot belangrijke ontdekkingen over de organisatie van het menselijk brein.

"Mijn laboratorium wil onthullen hoe het brein van zoogdieren zijn vermogen ontwikkelt om zintuiglijke prikkels te verwerken en erop te reageren. "Theofanis Karayannis, vertelde een van de onderzoekers die het onderzoek uitvoerden aan Tech Xplore. "Het meeste werk dat we doen is aan de experimentele kant, met behulp van de muis als modelsysteem en technieken die variëren van moleculair-genetisch tot functioneel en anatomisch."

Dit onderzoek maakt deel uit van een groter project, die ook "Ontdekking van hersenbrede ontwikkeling van remming door middel van diep leren omvat, " een onderzoek waarin Karayannis en zijn collega's deep learning-algoritmen gebruiken om de zogenaamde remmende neuronen in de loop van de tijd volledig te volgen om de ontwikkeling van capaciteiten van de hersenen op specifieke tijdstippen te meten.

Om dat te doen, ze probeerden een methode te bedenken die verschillende hersengebieden nauwkeurig kon afbakenen en segmenteren in experimentele beelden van de zich ontwikkelende muizenhersenen, om vervolgens informatie te extraheren over de locatie en dichtheid van remmende neuronen.

"Door gebruik te maken van de rekenvaardigheden van Asim Iqbal, een promovendus in mijn lab, we probeerden eerst het nut te testen van een paar op beeldregistratie gebaseerde methoden die het afgelopen jaar aandacht hebben gekregen in neurowetenschappelijke onderzoeken, " legt Karayannis uit. "We realiseerden ons al snel dat bestaande technieken niet optimaal zijn voor gevallen waarin de weefselsecties worden geroteerd of wanneer hun geometrie wordt aangetast als gevolg van methodologische problemen, bijvoorbeeld tijdens het snijden van hersenweefsel."

Na het observeren van de beperkingen van bestaande op beeldregistratie gebaseerde methoden, de onderzoekers wilden een nieuwe deep learning-tool ontwikkelen die betrouwbare resultaten kan opleveren, ongeacht de mogelijke schaal, rotatie en morfologische problemen die delen van hersenweefsel beïnvloeden.

Deze methode, genaamd SeBRe (Segmenting Brain Regions), maakt registratie mogelijk door het segmenteren van hersengebieden van belang, die wetenschappers zouden kunnen helpen bij hun studies van hersengebieden in verschillende ontwikkelingsstadia. SeBRe neemt hersensecties, evenals de binaire maskers van hersengebieden, als input voor trainingen.

De onderzoekers trainden hun neurale netwerk op hersensecties van 14 dagen oude muizen, voor twee genetische markers. Vervolgens testten ze de prestaties bij het genereren van anatomische maskers van voorheen niet-geïdentificeerde delen van de hersenen van 4, 14, 28, en 56 dagen oude muizen, over een reeks neuronale markers. SeBRe presteerde beter dan alle bestaande hersenregistratiemethoden, het verstrekken van de minimale gemiddelde kwadratische fout (MSE) score op een dataset van muizenhersenen.

"Onze studie biedt een roman, robuuste benadering van de huidige affiene en niet-affiene methoden voor registratie van hersengebieden, ", zegt Karayannis. "Het wijst ook op de toepasbaarheid van een op kunstmatige intelligentie gebaseerde methode bij het segmenteren van hersenstructuren van belang."

In de toekomst, SeBRe kan een hulpmiddel zijn bij het volgen en kwantificeren van anatomische veranderingen in de hersenen tijdens de ontwikkeling, evenals het identificeren van andere zinvolle informatie, zoals welke genen tot expressie komen tijdens de ontwikkeling van een muizenbrein en hun ruimtelijke en temporele eigenschappen.

Tot dusver, hun deep learning-algoritme is slechts op een paar hersengebieden getraind en de onderzoekers ontdekten dat het suboptimaal presteerde op andere gebieden met complexe 3D-structuren.

Karayannis en zijn collega's zijn nu van plan hun methode op te schalen om verschillende subregio's in de muis en het menselijk brein te segmenteren, door meer geannoteerde gegevens te gebruiken om de prestaties van hun algoritme verder te optimaliseren.

"Hopelijk, deze studie is het begin van een pad dat ons en de gemeenschap uiteindelijk in staat zal stellen om veranderingen in de hersenstructuur en -functie te onderzoeken, niet alleen in verschillende ontwikkelingsstadia, maar ook bij verwoestende hersenaandoeningen, helpen bij het identificeren van nieuwe biomarkers en het vormen van nieuwe hypothesen over het ontstaan ​​en de progressie van ziekten, ' zegt Karayannis.

© 2018 Tech Xplore