인공지능

From Eyewire
Jump to: navigation, search
This page is a translated version of the page Artificial Intelligence and the translation is 100% complete.

아이와이어에 사용되는 3D 신경세포 영상은 신경세포의 연속전자현미경(serial electron microscope) 영상에 기반한 것입니다. 우리가 하는 것은 일련의 2D 영상을 가져다가 계속 쌓아서 3D 영상을 만드는 것입니다.

우리가 사용하는 인공지능의 목적은 신경돌기(세포의 가지)들을 서로 분리하는 것입니다. 초기의 전자 현미경 영상 추적은 컴퓨터의 도움 없이 실시되었으며 이러한 방법으로는 단지 몇 백 개 세포 사이의 연결을 찾는 데만도 십 년 이상이 걸릴 것입니다. 이제 스마트 기술로, 컴퓨터가 우리를 보다 효율적으로 세포를 추적할 수 있도록 도와주게 되었습니다.

개별 물체의 라벨링(Labeling Individual Objects)

처음 단계에서 우리는 개별적 대상에 이름을 붙이기 시작합니다. 보통 우리는 사람에 의한 추적으로 시작하며, 주어진 부피 안에 있는 모든 물체를 확인하고 색칠합니다. 결과물은 훈련용 자료가 되며 추후 볼륨에 대해 인공지능이 사용하게 될 알고리즘을 개발하는 데 도움을 주게 됩니다. 만일 우리가 단지 작은 훈련용 자료만을 가지고 있다면 인공지능이 그 훈련용 자료를 너무 “지나치게 학습”해서 새로운 자료에 대해선 일반화를 시키지 못할 수 있습니다. 따라서 우리가 보다 많은 훈련용 자료를 인공지능에 제공할수록 좋은 것입니다. 아이와이어는 우리가 우리의 알고리즘 개선을 위해 사용할 수 있는 사용자 자료의 좋은 출처입니다.

연관성 그래프 라벨링(Affinity Graph Labeling)

다음 단계는 우리에게 세포 가지들 사이 어디에 경계가 놓여있는지를 결정하는 좀더 정교한 방법을 제공합니다. 이 과정은 “연관성 그래프 라벨링”이라 알려져 있습니다. 연관성 그래프는 주어진 분절 내의 모든 재료를 고려하며 대상들 사이 어디에 경계선이 놓이는 지를 결정합니다. 인공지능은 각각의 voxel(volume pixel, 3D 픽셀을 상상하시면 됩니다)을 살피고 그것이 같은 대상에 속할 확률과 이웃들에 속할 확률을 결정합니다. 어떤 주어진 하나의 voxel이, 모든 인접한 voxel들에 대해 갖는 “연관성”을 결정함으로써, 인공지능은 물체들을 그룹화하고 서로 구분해 놓기 시작할 수 있습니다.

인공지능은 물체간의 경계를 어떤 하나의 voxel이 같은 물체에 속할지 혹은 주변 이웃에 속할지의 “확률”에 의해 결정하게 됩니다. 우리의 영상들은 낮은 한계치의 분절들이 연결되어 있을 확률에 맞춰져 있습니다. 이것이 의미하는 바는 기계는 두 군의 픽셀들이 같은 분절에 속한다는 것과 같은 경계로 둘러 쌓인 것이 꽤 확실하지 않은 이상 이들 픽셀들을 연결하지 않을 것이란 뜻입니다. 이것은 합병을 최소화하는 데 도움이 되지만 이 인공지능이 큰 조각의 세포 가지들 연결하는 데 좀 더 주저한다는 뜻이 됩니다.

반자동 분절화(Semiautomated Segmentation)

건설 과정의 속도를 높이는 것을 돕기 위해 우리가 갖고 있는 도구 하나는 반자동 분절화라는 것입니다. 이 기능은 컴퓨터가 맞는다고 믿는 가지의 분절들을 서로 이어 붙일 수 있도록 해줍니다. 이것이 의미하는 바는 인간 사용자가 수동으로 분절들을 연결할 때 할 일이 줄어든다는 것을 뜻합니다. 컴퓨터가 연결된 분절들을 한데 모아 붙이는 것을 배우면 배울수록 인간 사용자는 그만큼 덜 노력이 필요하게 됩니다.

참고문헌

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