乔治亚州立大学的研究人员以及麻省理工学院（MIT）和麻省总医院（MGH）的同事通过创新神经技术（BRAIN）研究的进展从美国国立卫生研究院脑部研究中心获得了250万美元的拨款。彻底改变科学家对人脑的理解。
该团队将开发Nobrainer（一种用于3D图像处理的开源深度学习框架），以将机器学习集成到神经影像研究和临床应用中。佐治亚州立大学计算机科学副教授，研究资助机构负责人谢尔盖·普利斯（Sergey Plis）表示：“人工智能和深度学习的进步可以帮助研究人员从脑部扫描中获得更多见识，同时减少数据处理量。
所需时间。”。
“例如，我们可以了解有关精神疾病或衰老如何影响大脑结构的细节。”可以弄清这种复杂模式的模型需要大量的数据，并且组装庞大的大脑数据集具有挑战性，尤其是对于小型研究小组而言。
“当Google要创建聊天机器人时，他们可以使用来自每次互联网搜索的数据来训练它。”普利斯说，他还是神经影像和数据科学翻译研究中心机器学习的核心主管。
但是，对于大脑成像器而言，该屏障可能太高。收集数千次大脑扫描和训练所需的硬件非常昂贵，您必须匿名化数据才能解决隐私问题。
”该团队由学院的MIT Satrajit Ghosh领导，MGH的Bruce Fischl和Plis领导。他们计划创建一个深度神经网络，该网络已经接受了来自65,000多人的脑部扫描培训。
他们将把这项技术作为一组广泛使用的工具和神经科学家的现成模型进行传播。这些工具和生成的模型将被标准化，以确保科学家可以获得可比的结果并更轻松地共享它们，而不必担心患者的机密性。
团队正在开发一种独特的功能，其中该模型可以批评他们所知道的知识，量化其分析中的不确定性程度并报告可能的错误。这可以帮助科学家确定何时信任模型以及何时需要收集更多数据。
随着越来越多的研究人员使用模型，提出新问题或将模型调整为新数据集，这些工具将继续学习并变得更加准确。普利斯说：“模型传播的越远，就越像土豆。
” “当您以无法预测的方式（例如中风）研究会影响大脑的事物时，您需要大量数据，因为患者的预后差异很大。借助热土豆学习方法，该模型逐渐吸收了这种可变性，并且在进行预测时变得更好。
”该工具的另一个主要优点是该工具比可用模型要快得多。数据处理能力。
研究团队训练Nobrainer做出与Freesurfer相同的预测，Freesurfer是由MGH开发的同类最佳的MRI分析工具。初步研究表明，该技术的性能优于Freesurfer，并且在几分钟到几小时内执行了一些相同的计算。
该团队计划使用他们的工具来自动化和加速Freesurfer平台的其他部分以及其他类型的神经成像分析。减少执行复杂分析所需的时间可以加快关于大脑的科学和临床发现。