Sie sind hier: HomeRubrikenSonstige

News, Produkte, Fachartikel zu Stromversorgungen, Batterien, Akkus, AC/DC-Wandler, DC/DC-Wandler, Energy Harvesting, Power Management, Wireless Power

Künstliche neuronale Netze: Schaltplan des menschlichen Gehirns

Um den »Schaltplan« eines Gehirns zu erstellen, erfassen Neurobiologen dieses mithilfe von 3D-Elektronenmikroskopie-Aufnahmen. Die Bildanalyse größerer Bereiche würde jedoch Jahrzehnte dauern. Nun stellten Wissenschaftler ein neues Verfahren vor, das ganze Nervenzellen herausarbeiten kann.

Große Vision: In Zukunft sollen Behandlungen am digitalen Zwilling getestet werden. Bildquelle: © Pixabay

Künstliche neuronale Netze helfen dabei, das Gehirn zu kartieren

Im Vergleich zum Gehirn benutzen künstliche neuronale Netze stark vereinfachten »Nervenzellen«. Dennoch hat die darauf basierende künstliche Intelligenz bereits unzählige Anwendungen gefunden: vom autonomen Fahren über die Qualitätskontrolle bis hin zur Diagnose von Krankheiten. Bei sehr komplexen Aufgaben, wie dem Herausarbeiten einzelner Nervenzellen mit all ihren Verästelungen und Kontaktstellen aus einer dreidimensionalen Bildaufnahme eines Gehirns, waren die Algorithmen bisher jedoch zu ungenau.

»Die Zellstrukturen, die der Computer aus unseren elektronenmikroskopischen Aufnahmen generierte, hatten einfach viel zu viele Fehler«, berichtet Jörgen Kornfeld vom Max-Planck-Institut für Neurobiologie. Um damit etwas anfangen zu können, müsste alles nochmals »korrekturgelesen« werden. Das nimmt viel menschliche Arbeitszeit in Anspruch: Ganze elf Jahre würde das Überprüfen eines Bilderstapels mit gerade mal 0,1 Millimetern Kantenlänge dauern. »Daher mussten wir etwas Besseres erfinden«, so Kornfeld. Besser als alles andere sind — zumindest derzeit – die flood-filling networks (FFNs), die Michal Januszewski zusammen mit seinen Kollegen bei Google AI. entwickelt. Ein Datensatz aus dem Singvogelhirn, den Kornfeld schon vor Jahren aufgenommen und teilweise von Hand analysiert hatte, spielte bei dieser Entwicklung eine wichtige Rolle. Die wenigen, vom Menschen sorgfältig analysierten Zellen, stellen die Referenzdaten (ground truth) dar, anhand derer die FFNs erst lernten zu erkennen, wie ein richtiger Nervenzellausläufer aussieht, um mit dem Gelernten dann in Windeseile den Rest des Datensatzes zu kartieren.

FFNs gehören zu den »Convolutional neural networks«, einer speziellen Klasse von Algorithmen des automatischen Lernens. FFNs besitzen jedoch einen internen Rückkoppelungspfad, der es ihnen erlaubt auf bereits im Bild Erkanntes aufzubauen. Dies erleichtert es dem FFN enorm, die Unterscheidung von zellinternen und zellexternen Bereichen auf nahegelegene Bildelemente auszudehnen. Dabei lernt das FFN während der Lernphase nicht nur, welche Färbemuster eine Zellgrenze anzeigen, sondern auch, welche Formen diese Grenzen typischerweise haben. (me)

 

Rekonstruktion von Nervenzellen aus einem Elektronenmikroskopie-Datensatz mit Hilfe der flood-filling networks (FFN). Bildquelle: © MPI für Neurobiologie/ J. Kuhl

Rekonstruktion von Nervenzellen aus einem Elektronenmikroskopie-Datensatz mit Hilfe der flood-filling networks (FFN).