荧光遗传编码的钙指示剂和双光子显微镜技术已经在多种动物模型中实现了高速且大规模的记录。生成的成像视频需要经过多步分析，其中最具挑战性的一步是识别活跃神经元的空间特征。现有的自动分割方法难以同时兼顾速度和精度。

最近，美国杜克大学的研究团队开发了一种名为浅层U-Net神经元分割（SUNS）的新方法，该方法能更快、更准确地从成像视频中分割出活跃的神经元。这项技术使得研究人员能够实时观察动物大脑的活动情况。

这项研究于5月20日发表在《自然·机器智能》杂志上，标题为“从实时荧光钙记录中分割神经元”。

双光子钙成像是一种研究活体动物神经元活动的技术，通过这种技术，活动的神经元以光的形式显现出来。然而，分析几分钟的视频可能需要几周甚至几个月的时间。

过去十年里，计算神经元分割方法的速度和准确性不断提高。目前，算法在准确性方面已经可以接近人工标注员的水平，但在速度上超越了人工标注员。

现有的自动分割方法主要分为两类：一类算法处理2D摘要图像，另一类处理3D视频。前者速度快但无法准确分离重叠的神经元，后者虽然分割更精确但速度较慢。

该论文的主要作者Yiyang Gong表示：“研究人员希望通过记录动物神经元的活动来了解其大脑的工作原理，但手动分割存在很大瓶颈，导致无法实时查看神经元的激活情况。”

杜克大学的研究团队通过创建SUNS——一种基于卷积神经网络（CNN）的新方法，解决了速度和精度的问题。SUNS在以下几个方面优于现有算法：

• 更准确，与人工标注员相当。
• 处理3D时空视频的速度更快。
• 使用较少的样本进行训练，但仍能达到较高的检测性能。
• 在不同大脑区域和成像条件下表现优异。

为了实现准确性和速度的提升，SUNS批处理算法结合了视频中的时间信息，并简化了神经网络架构。具体操作包括：首先在预处理模块中合并时间信息，以提高信噪比；接着利用浅层U-Net处理每个帧的空间信息；最后，后处理模块从概率图中分割并收集神经元。

SUNS算法在艾伦大脑地理台的数据集上进行了测试，结果表明其在精度和速度上都优于其他神经元分割算法。

此外，研究团队还开发了一个在线版本的SUNS，用于逐帧处理成像视频以跟踪神经元的出现。在线版本分为两个阶段：初始帧上的初始化和后续帧的逐一处理。尽管在线版本在准确性和速度上略逊于批处理版本，但依然表现出色。

未来，研究团队计划进一步优化硬件和软件机制，以提升在线版本的性能。他们还希望将该算法扩展到其他类型的光学显微镜，使其在神经科学领域得到更广泛的应用。

参考文献： - Soltanian-Zadeh, S. et al. Fast and robust active neuron segmentation in two-photon calcium imaging using spatiotemporal deep learning, https://www.pnas.org/content/116/17/8554 - Giovannucci, A. et al. CaImAn an open source tool for scalable calcium imaging data analysis, https://pubmed.ncbi.nlm.nih.gov/30652683/

论文链接：https://www.nature.com/articles/s42256-021-00342-x

参考内容：https://pratt.duke.edu/about/news/machine-learning-platform-identifies-activated-neurons-real-time