连接组学的目的是全面成像在神经系统中的神经元网络结构，以便更好地理解大脑的运作。这个过程需要对脑组织进行纳米级（通常使用电子显微镜）3D成像，然后分析所得到的图像数据以追踪大脑的神经突并识别个体突触连接。由于成像的高分辨率，即使是立方毫米的脑组织也可以产生超过1000 TB的数据！结合这些图像中的结构可能非常微妙和复杂，大脑成像的主要瓶颈就是自动解释这些数据，而不是获取数据本身。

今天，谷歌与马克斯普朗克神经生物学研究所的研究者合作，在《Nature Methods》中发表了论文“High-Precision Automated Reconstruction of Neurons with Flood-Filling Networks”，展示了一种新型的递归神经网络，与先前的深度学习技术相比，它可以将连通组学数据的自动解释的准确度提高一个数量级。

论文：www.nature.com/articles/s41592-018-0049-4

使用Flood-Filling网络进行3D图像分割

在大规模电子显微镜数据中追踪神经突是图像分割问题的一个实例。传统算法将该过程分为至少两个步骤：使用边缘检测器或机器学习分类器找出神经突触之间的边界，然后使用分水岭或图形切割等算法将未被边界分隔的图像像素组合在一起。2015年，研究者开始尝试基于递归神经网络的替代方法，将这两个步骤统一起来。该算法被嵌入在特定的像素位置，然后使用循环卷积神经网络迭代地“填充”一个区域，该网络预测哪些像素是与种子相同的对象的一部分。自2015年以来，我们一直致力于将这种新方法应用于大规模的连接组学数据集，并严格量化其准确性。



在2D中分割对象的Flood-Filling网络。黄点是当前焦点区域的中心；当迭代检查更多图像区域时，算法扩展分割区域（蓝色）。

通过预期运行长度测量准确度

研究者与马克斯普朗克研究所的合作伙伴合作，设计了一个度量标准，并称之为“预期运行长度”（ERL），用于测量以下内容：给出脑中三维图像中随机神经元内的随机点，在犯某种错误之前，我们可以追踪神经元多远？这是一个平均故障间隔时间度量的示例，除了在这种情况下我们测量故障之间的空间量而不是时间量。对于工程师来说，ERL的吸引力在于它将线性物理路径长度与算法产生的各个错误的频率联系起来，并且可以直接计算。对于生物学家来说，吸引力是ERL的特定数值可以与生物学相关量相关，例如神经系统不同部分神经元的平均路径长度。



预期运行长度（蓝线）的进展带来了今天在《Nature Methods》中分享的结果。红线显示“合并率”的进展，“合并率”测量两个单独的神经突被错误地追踪为单个对象的频率；实现非常低的合并率对于实现手动识别和纠正重建中的剩余错误的有效策略是重要的。

鸣禽连接组学

使用ERL测量100万立方微米斑胸草雀脑中的真实神经元的进展，用连续块面扫描电子显微镜成像，这种方法表现优于以前应用于同一数据集的深度学习方法。

算法在一个鸣禽大脑中追踪单个神经突3D图。

新的flood-filling网络方法对斑胸草雀歌鸟脑的一小部分中的每个神经元进行分割，如下所示：

[video width="854" height="480" mp4="https://www.atyun.com/uploadfile/2018/07/Automated-Reconstruction-of-Zebra-Finch-Area-X-with-Flood-Filling-Networks-1.mp4"][/video]

重建部分斑胸草雀的大脑。不同颜色表示使用网络自动生成分割中的不同对象。金球代表使用先前发布的方法自动识别突触位置。

通过将这些自动化结果与修复剩余错误所需的少量额外人力相结合，研究者现在可以研究鸣禽连接组，从而更深入地理解斑马雀鸟，如研究它们如何唱歌，以及如何学习唱歌。

展望未来

谷歌将继续改进连接组重建技术，实现完全自动化突触分辨率连接组件，并为马克斯普朗克研究所和其他地方正在进行的连接组学项目做出贡献。为了帮助更大的研究团体开发连接组学技术，谷歌开源了flood-filling网络方法的TensorFlow代码（github.com/google/ffn/），以及用于3D数据集的WebGL可视化软件（github.com/google/neuroglancer），这些可帮助理解和改进重建结果。