Inteligencia Artificial

From Eyewire
Jump to: navigation, search
This page is a translated version of the page Artificial Intelligence and the translation is 83% complete.

Las imágenes neuronales en 3D de Eyewire se basan en imágenes de microscopio electrónico en serie (EM en serie) de neuronas. Lo que estamos haciendo es tomar una serie de imágenes en 2D y apilarlas una encima de la otra para crear el 3D.

El propósito de la IA que utilizamos es separar las neuritas (las ramas de la célula) unas de otras. El rastreo temprano de la imagen EM se realizó sin ayuda de computadora, y llevaría más de una década encontrar las conexiones entre unos pocos cientos de células. Las nuevas tecnologías inteligentes permiten que la computadora nos ayude a rastrear las células de una manera más eficiente.

Etiquetado de Objetos Individuales

En la primera etapa comenzamos a etiquetar objetos individuales. Por lo general, comenzamos con un marcador humano que identifica y colorea todos los objetos en un volumen determinado. Los resultados se convierten en datos de entrenamiento que ayudan a desarrollar algoritmos que la IA utilizará en volúmenes futuros. Si solo tenemos una pequeña muestra de datos de entrenamiento, la IA puede "sobre-aprender" y no poder generalizar adecuadamente para nuevos conjuntos de datos. Así que cuantos más datos de entrenamiento podamos introducir en la IA, mejor. Eyewire es una buena fuente de datos de usuario que podemos utilizar para mejorar nuestros algoritmos.

Etiquetado de Gráficos de Afinidad

La siguiente etapa nos brinda una forma más sofisticada de determinar dónde se encuentran los límites entre las ramas de las células. Esto se conoce como "etiquetado de gráfico de afinidad". El gráfico de afinidad considera todo el material en un segmento dado y toma decisiones sobre dónde se encuentran los límites entre los objetos. La IA examinará cada vóxel o "píxel de volumen" (imagine un píxel 3D) y determinará la probabilidad de que pertenezca al mismo objeto que sus vecinos. Al determinar la "afinidad" que cualquier voxel dado tiene con todos los voxels adyacentes, la IA puede comenzar a agrupar objetos y separarlos entre sí.

La IA determina los límites entre los objetos por la "probabilidad" de que un voxel pertenezca al mismo objeto que sus vecinos. Nuestras imágenes se establecen en un umbral bajo de probabilidad de que los segmentos estén conectados. Esto significa que la máquina no conectará dos grupos de píxeles a menos que sea bastante seguro de que pertenecen al mismo segmento y están delimitados por el mismo borde. Esto ayuda a minimizar fusiones, pero significa que esta IA es más indecisa para conectar grandes piezas de una rama celular.

Segmentación Semiautomatizada

Una herramienta que tenemos para ayudar a acelerar el proceso de construcción se llama segmentación semiautomática. Esta característica le permite a la computadora juntar fragmentos de ramas que considera correctos. Esto significa que el usuario humano tiene menos trabajo que hacer cuando conecta manualmente los segmentos. Cuanto más aprende la computadora a juntar segmentos conectados, menos esfuerzo hay para el usuario humano.

References

Turaga, S., Briggman, K., Helmstaedter, M., Denk, W., & Seung, S. "Maximin Affinity Learning of Image Segmentation". 28 Nov 2009 http://arxiv.org/pdf/0911.5372.pdf

Turaga, Srinivas C. et al. “Convolutional Networks Can Learn to Generate Affinity Graphs for Image Segmentation.” Neural Computation 22.2 (2011): 511-538. © 2009 Massachusetts Institute of Technology http://dspace.mit.edu/handle/1721.1/60924