研究人員使用GPU評估人腦連通性

科學研究所(IISc)的研究人員開發的一種新的基于GPU的機器學習算法可以幫助科學家更好地理解和預測大腦不同區域之間的連通性。該算法稱為正則化、加速、線性分束評估或ReAl-LiFE，可以快速分析人腦擴散磁共振成像(dMRI)掃描產生的大量數據。使用Real-LiFE，該團隊能夠以比現有最先進算法快150倍的速度評估dMRI數據。

“以前需要數小時到數天的任務可以在幾秒鐘到幾分鐘內完成，”IISc神經科學中心(CNS)副教授、發表在《自然計算科學》雜志上的該研究的通訊作者DevarajanSridharan說。

每秒有數百萬個神經元在大腦中放電，產生電脈沖，通過連接電纜或“軸突”從大腦中的一個點穿過神經元網絡傳播到另一個點。這些連接對于大腦執行的計算至關重要。“了解大腦連通性對于大規模揭示大腦-行為關系至關重要，”VarshaSreenivasan博士說。CNS的學生和該研究的第一作者。然而，研究大腦連通性的傳統方法通常使用動物模型，并且是侵入性的。另一方面，dMRI掃描提供了一種非侵入性方法來研究人類大腦的連通性。

連接大腦不同區域的電纜(軸突)是它的信息高速公路。因為軸突束的形狀像管子，水分子沿著它們的長度以定向的方式穿過它們。dMRI使科學家能夠跟蹤這種運動，以創建大腦中纖維網絡的綜合地圖，稱為連接組。

該圖像顯示了中腦和新皮層各個區域之間的連接。與每個區域的連接以不同的顏色顯示，并且都是通過活體人腦中的擴散MRI和纖維束成像技術估計的。學分：VarshaSreenivasan和DevarajanSridharan

不幸的是，要精確定位這些連接組并不簡單。從掃描中獲得的數據僅提供大腦中每個點的水分子凈流量。“想象一下水分子是汽車。獲得的信息是車輛在空間和時間每個點的方向和速度，沒有關于道路的信息。我們的任務類似于通過觀察這些交通模式來推斷道路網絡，”斯里達蘭解釋道。

為了準確識別這些網絡，傳統算法將來自推斷連接組的預測dMRI信號與觀察到的dMRI信號緊密匹配。科學家們之前開發了一種稱為LiFE(線性分冊評估)的算法來進行這種優化，但其中一個挑戰是它適用于傳統的中央處理器(CPU)，這使得計算非常耗時。

在這項新研究中，Sridharan的團隊調整了他們的算法，以減少包括刪除冗余連接在內的多種方式所涉及的計算工作量，從而顯著提高了LiFE的性能。為了進一步加快算法速度，該團隊還對其進行了重新設計，以使用專門的電子芯片——高端游戲計算機中的那種——稱為圖形處理單元(GPU)，它幫助他們以比100到150倍的速度分析數據以前的方法。

這種改進的算法ReAl-LiFE還能夠預測人類測試對象的行為或執行特定任務的方式。換句話說，使用算法為每個人估計的連接強度，該團隊能夠解釋一組200名參與者的行為和認知測試分數的變化。

這種分析也可以有醫學應用。“大規模數據處理對于大數據神經科學應用變得越來越必要，特別是對于了解健康的大腦功能和大腦病理學，”Sreenivasan說。

例如，使用獲得的連接組，該團隊希望能夠在阿爾茨海默病患者的行為表現之前識別出衰老或大腦功能惡化的早期跡象。“在另一項研究中，我們發現以前版本的ReAL-LiFE在區分阿爾茨海默病患者和健康對照方面比其他競爭算法做得更好，”Sridharan說。他補充說，他們基于GPU的實現非常通用，也可用于解決許多其他領域的優化問題。