研究人员使用GPU评估人脑连通性

科学研究所(IISc)的研究人员开发的一种新的基于GPU的机器学习算法可以帮助科学家更好地理解和预测大脑不同区域之间的连通性。该算法称为正则化、加速、线性分束评估或ReAl-LiFE，可以快速分析人脑扩散磁共振成像(dMRI)扫描产生的大量数据。使用Real-LiFE，该团队能够以比现有最先进算法快150倍的速度评估dMRI数据。

“以前需要数小时到数天的任务可以在几秒钟到几分钟内完成，”IISc神经科学中心(CNS)副教授、发表在《自然计算科学》杂志上的该研究的通讯作者DevarajanSridharan说。

每秒有数百万个神经元在大脑中放电，产生电脉冲，通过连接电缆或“轴突”从大脑中的一个点穿过神经元网络传播到另一个点。这些连接对于大脑执行的计算至关重要。“了解大脑连通性对于大规模揭示大脑-行为关系至关重要，”VarshaSreenivasan博士说。CNS的学生和该研究的第一作者。然而，研究大脑连通性的传统方法通常使用动物模型，并且是侵入性的。另一方面，dMRI扫描提供了一种非侵入性方法来研究人类大脑的连通性。

连接大脑不同区域的电缆(轴突)是它的信息高速公路。因为轴突束的形状像管子，水分子沿着它们的长度以定向的方式穿过它们。dMRI使科学家能够跟踪这种运动，以创建大脑中纤维网络的综合地图，称为连接组。

该图像显示了中脑和新皮层各个区域之间的连接。与每个区域的连接以不同的颜色显示，并且都是通过活体人脑中的扩散MRI和纤维束成像技术估计的。学分：VarshaSreenivasan和DevarajanSridharan

不幸的是，要精确定位这些连接组并不简单。从扫描中获得的数据仅提供大脑中每个点的水分子净流量。“想象一下水分子是汽车。获得的信息是车辆在空间和时间每个点的方向和速度，没有关于道路的信息。我们的任务类似于通过观察这些交通模式来推断道路网络，”斯里达兰解释道。

为了准确识别这些网络，传统算法将来自推断连接组的预测dMRI信号与观察到的dMRI信号紧密匹配。科学家们之前开发了一种称为LiFE(线性分册评估)的算法来进行这种优化，但其中一个挑战是它适用于传统的中央处理器(CPU)，这使得计算非常耗时。

在这项新研究中，Sridharan的团队调整了他们的算法，以减少包括删除冗余连接在内的多种方式所涉及的计算工作量，从而显着提高了LiFE的性能。为了进一步加快算法速度，该团队还对其进行了重新设计，以使用专门的电子芯片——高端游戏计算机中的那种——称为图形处理单元(GPU)，它帮助他们以比100到150倍的速度分析数据以前的方法。

这种改进的算法ReAl-LiFE还能够预测人类测试对象的行为或执行特定任务的方式。换句话说，使用算法为每个人估计的连接强度，该团队能够解释一组200名参与者的行为和认知测试分数的变化。

这种分析也可以有医学应用。“大规模数据处理对于大数据神经科学应用变得越来越必要，特别是对于了解健康的大脑功能和大脑病理学，”Sreenivasan说。

例如，使用获得的连接组，该团队希望能够在阿尔茨海默病患者的行为表现之前识别出衰老或大脑功能恶化的早期迹象。“在另一项研究中，我们发现以前版本的ReAL-LiFE在区分阿尔茨海默病患者和健康对照方面比其他竞争算法做得更好，”Sridharan说。他补充说，他们基于GPU的实现非常通用，也可用于解决许多其他领域的优化问题。