7 月 16 日， Google AI 發(fā)布了一篇博客稱，Google Research 部門和 Max Planck 研究所合作提出了一種新型的遞歸神經(jīng)網(wǎng)絡，它可以提升連接組數(shù)據(jù)進行自動分析的準確性，相比先前深度學習技術的準確性是數(shù)量級的提升。

Jeff Dean 隨后也在 Twitter 上轉發(fā)評價稱，“使用人工神經(jīng)網(wǎng)絡重建真實神經(jīng)元的連接性研究真的很酷?！?

數(shù)量級提升了連接組數(shù)據(jù)自動分析的準確性

根據(jù)維基百科的定義，連接組學（Connectomics）繪制與研究神經(jīng)連接組（connectomes）是一種刻畫有機體神經(jīng)系統(tǒng)（尤其是腦和眼）的連接方式的完整線路圖。由于這些結構極其復雜，高效篩選的神經(jīng)成像和組織學方法被用于提高繪制神經(jīng)連接線路圖的速度、效率和精度。

連接組學的目的是全面映射神經(jīng)系統(tǒng)中的神經(jīng)元網(wǎng)絡的結構，以便更好地理解大腦是如何運作的。這個過程需要以納米分辨率（通常使用電子顯微鏡）對腦組織進行 3D 成像，然后分析所得到的圖像數(shù)據(jù)，以追蹤大腦的神經(jīng)軸突，并識別單個突觸連接。

由于成像的高分辨率，即使是 1 立方毫米的腦組織也可以產(chǎn)生超過 1000 TB 的數(shù)據(jù)。再加上這些圖像中的結構比較微妙和復雜，大腦映射的主要瓶頸是自動分析這些數(shù)據(jù)，而不是獲取數(shù)據(jù)本身。

Google 與 Max Plank 神經(jīng)生物學研究所在《Nature Methods》中發(fā)表的“ 用泛洪填充網(wǎng)絡高效自動重建神經(jīng)元 （High-Precision Automated Reconstruction of Neurons with Flood-Filling Networks）”一文 ，則展示了一種新型的遞歸神經(jīng)網(wǎng)絡，如何提升連接組數(shù)據(jù)自動分析的準確性，這比先前深度學習技術是數(shù)量級的提升。

使用泛洪填充網(wǎng)絡進行 3D 圖像分割

在大規(guī)模電子顯微鏡數(shù)據(jù)中追蹤神經(jīng)軸突是一個圖像分割問題。傳統(tǒng)算法將該過程劃分為至少兩個步驟：使用邊緣檢測器或機器學習分類器找出神經(jīng)軸突之間的邊界，然后使用分水嶺（watershd）或圖形切割等算法將未被邊界分隔的圖像像素進行組合。

2015 年，他們開始嘗試基于遞歸神經(jīng)網(wǎng)絡的替代方法，將這兩個步驟統(tǒng)一起來。該算法在特定的像素位置播種，然后使用循環(huán)卷積神經(jīng)網(wǎng)絡不斷地“填充”一個區(qū)域，該網(wǎng)絡會預測哪些像素是與該特定像素屬于同一部分。自 2015 年以來，他們一直致力于將這種新方法應用于大規(guī)模的連接組數(shù)據(jù)集，并嚴格量化其準確性。

分割對象的泛洪填充網(wǎng)絡。黃點是當前焦點區(qū)域的中心; 當算法不斷檢查整個圖像時，分割區(qū)域會不斷擴展（藍色）。

通過預期的運行長度測量精度

他們設計了一個叫做“預期運行長度”（ERL）的度量標準：給出大腦三維圖像中隨機神經(jīng)元內的隨機點，在犯錯前，可以追蹤神經(jīng)元的距離。這是一個平均故障間隔時間（Mean Time Between Failures）的示例，但在這種情況下檢測出的是故障之間的空間而不是時間。

對于研究人員而言，ERL 的吸引力在于，它將線性物理路徑長度與算法產(chǎn)生的各個錯誤的頻率聯(lián)系起來，并且可以直接計算。對生物學家來說， ERL 的特定數(shù)值可以與生物學相關數(shù)量產(chǎn)生聯(lián)系，例如神經(jīng)系統(tǒng)不同部分的神經(jīng)元平均路徑長度。

藍線表示預期運行長度（ERL）的結果。紅線表示“合并率”，“合并率”指兩個單獨的神經(jīng)軸突被錯誤地追蹤為單個對象的頻率; 非常低的合并率對于實現(xiàn)手動識別和糾正重建中的剩余錯誤很重要。

鳴禽的連接組學

他們使用 ERL 測量了在 100 萬立方微米的斑胸草雀大腦的真實神經(jīng)元數(shù)據(jù)集，發(fā)現(xiàn)該方法的表現(xiàn)好于其他應用于同一數(shù)據(jù)集的深度學習方法。

算法在追蹤斑胸草雀大腦中的單個神經(jīng)軸突