Le Dr Shuiwang Ji, professeur au Département d’informatique et d’ingénierie de l’Université Texas A&M, fait partie d’une communauté de recherche collaborative qui a récemment publié son article intitulé « BigNeuron : une ressource pour comparer et prédire les performances des algorithmes de traçage automatisé des neurones in light microscopy datasets » publié dans le numéro d’avril de la revue Méthodes naturelles.
Initiée en 2015 et portée par l’Allen Institute for Brain Science, BigNeuron est une initiative internationale qui rassemble des informaticiens et des neuroscientifiques d’une dizaine d’institutions. Son objectif est de développer un cadre standard pour aider les chercheurs à définir les meilleures méthodes et algorithmes pour une reconstruction automatique rapide et précise des neurones. Ensuite, il « testera » les algorithmes sur des ensembles de données d’images à grande échelle à l’aide de superordinateurs.
Le projet aboutira à un vaste ensemble d’images de données de reconstruction neuronale accessibles au public, ainsi qu’à des outils et algorithmes robustes que les chercheurs pourront utiliser pour leurs propres travaux d’analyse.
Rien que dans le cerveau humain, il y a des centaines de milliards de neurones, et ils sont connectés les uns aux autres via des milliers de fines « branches », formant une structure arborescente 3D. Pour comprendre comment le cerveau fonctionne et change au fil du temps, les scientifiques doivent être capables de reconstruire numériquement ces structures neuronales pour déterminer la forme de chaque neurone dans une image.
En utilisant des microscopes à haute résolution pour capturer des images 3D de neurones individuels, les scientifiques ont travaillé sur le développement de méthodes de reconstruction neuronale entièrement automatisées pendant près de 40 ans. Leur recréation est restée un défi en raison de la diversité des espèces, de l’emplacement du cerveau, des stades de développement et de la qualité des ensembles d’images de microscopie. Ces facteurs rendent difficile la généralisation efficace des algorithmes existants lorsqu’ils sont appliqués à des volumes d’images obtenues par différents laboratoires.
Pour atténuer ce problème, l’équipe a développé un algorithme automatisé utilisant l’apprentissage en profondeur pour déterminer la forme de chaque neurone à l’intérieur d’une image particulière.
