JP5907704B2 - Analysis system - Google Patents
Analysis system Download PDFInfo
- Publication number
- JP5907704B2 JP5907704B2 JP2011259977A JP2011259977A JP5907704B2 JP 5907704 B2 JP5907704 B2 JP 5907704B2 JP 2011259977 A JP2011259977 A JP 2011259977A JP 2011259977 A JP2011259977 A JP 2011259977A JP 5907704 B2 JP5907704 B2 JP 5907704B2
- Authority
- JP
- Japan
- Prior art keywords
- neural network
- analysis
- input
- biological neural
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 210000002569 neuron Anatomy 0.000 claims description 41
- 238000013529 biological neural network Methods 0.000 claims description 34
- 238000000034 method Methods 0.000 claims description 30
- 230000008929 regeneration Effects 0.000 claims description 26
- 238000011069 regeneration method Methods 0.000 claims description 26
- 230000008569 process Effects 0.000 claims description 25
- 238000013528 artificial neural network Methods 0.000 claims description 22
- 210000005036 nerve Anatomy 0.000 claims description 20
- 238000003384 imaging method Methods 0.000 claims description 8
- 210000003710 cerebral cortex Anatomy 0.000 description 9
- VYFYYTLLBUKUHU-UHFFFAOYSA-N dopamine Chemical compound NCCC1=CC=C(O)C(O)=C1 VYFYYTLLBUKUHU-UHFFFAOYSA-N 0.000 description 8
- 239000000835 fiber Substances 0.000 description 7
- 238000012360 testing method Methods 0.000 description 7
- 210000004027 cell Anatomy 0.000 description 6
- 210000000225 synapse Anatomy 0.000 description 6
- 210000004227 basal ganglia Anatomy 0.000 description 5
- 210000001638 cerebellum Anatomy 0.000 description 5
- 239000007850 fluorescent dye Substances 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 230000009194 climbing Effects 0.000 description 4
- 229960003638 dopamine Drugs 0.000 description 4
- 210000001577 neostriatum Anatomy 0.000 description 4
- 210000000133 brain stem Anatomy 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 210000003523 substantia nigra Anatomy 0.000 description 3
- 240000007817 Olea europaea Species 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 230000002490 cerebral effect Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 210000000449 purkinje cell Anatomy 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 210000001103 thalamus Anatomy 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 102000016289 Cell Adhesion Molecules Human genes 0.000 description 1
- 108010067225 Cell Adhesion Molecules Proteins 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 210000003050 axon Anatomy 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000001159 caudate nucleus Anatomy 0.000 description 1
- 210000005056 cell body Anatomy 0.000 description 1
- 210000004720 cerebrum Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000003920 cognitive function Effects 0.000 description 1
- 230000001054 cortical effect Effects 0.000 description 1
- 210000001787 dendrite Anatomy 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004424 eye movement Effects 0.000 description 1
- 102000034287 fluorescent proteins Human genes 0.000 description 1
- 108091006047 fluorescent proteins Proteins 0.000 description 1
- 235000011389 fruit/vegetable juice Nutrition 0.000 description 1
- 210000004565 granule cell Anatomy 0.000 description 1
- 210000001320 hippocampus Anatomy 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 239000002858 neurotransmitter agent Substances 0.000 description 1
- 230000002980 postoperative effect Effects 0.000 description 1
- 230000002360 prefrontal effect Effects 0.000 description 1
- 210000002637 putamen Anatomy 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 210000001202 rhombencephalon Anatomy 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 210000000278 spinal cord Anatomy 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
Landscapes
- Prostheses (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Apparatus Associated With Microorganisms And Enzymes (AREA)
Description
本発明は、解析システムに関し、特に、生体内の神経回路網の再生過程（神経再生過程）を予測及び表示する技術に関する。 The present invention relates to an analysis system, and more particularly to a technique for predicting and displaying a regeneration process (nerve regeneration process) of a neural network in a living body.
従来、神経細胞の状態を評価する技術として様々なものが提案されている。 Conventionally, various techniques for evaluating the state of nerve cells have been proposed.
例えば特許文献１には、蛍光色素を注入された脳神経細胞を共焦点レーザー顕微鏡で撮影して３次元画像データを取得し、その画像データに対して画像処理を行うことによって、脳神経細胞の形態解析を自動的に行う方法が記載されている。この方法では、細胞の現在の状態を解析することができる。 For example, in Patent Document 1, cerebral nerve cells injected with a fluorescent dye are photographed with a confocal laser microscope to obtain three-dimensional image data, and image processing is performed on the image data, thereby analyzing the morphology of the cerebral nerve cells. Describes how to do this automatically. In this way, the current state of the cell can be analyzed.
例えば特許文献２、３には、ニューロンモデルを用いたニューラルネットワーク解析によって、培養中の細胞の将来の状態を予測する方法が記載されている。 For example, Patent Documents 2 and 3 describe methods for predicting the future state of cells in culture by neural network analysis using a neuron model.
再生医療等において、神経細胞を生体内に移植する手術が行われた場合に、術後の数ヶ月から数年にわたる神経再生過程を術後間もない時期に予測することが、求められる。同様に、生体内の神経細胞の修復を目的として投薬処置が行われた場合にも、処置後の神経再生過程を処置後間もない時期に予測することが、求められる。 In regenerative medicine and the like, when an operation for transplanting nerve cells into a living body is performed, it is required to predict a nerve regeneration process over several months to several years after the operation at a short time after the operation. Similarly, even when a medication treatment is performed for the purpose of repairing nerve cells in a living body, it is required to predict a nerve regeneration process after treatment at a time shortly after treatment.
しかしながら、これまでのところ、前述のような要求を実現するシステムについての具体的な提案はなされていない。 However, so far, no specific proposal has been made regarding a system that realizes the above-described requirements.
本発明の目的は、生体内の神経再生過程を予測し、予測された神経再生過程を可視化することができる解析システムを提供することである。 An object of the present invention is to provide an analysis system capable of predicting a nerve regeneration process in a living body and visualizing the predicted nerve regeneration process.
また、本発明の他の目的は、神経再生過程の予測精度の向上を図ることができる解析システムを提供することである。 Another object of the present invention is to provide an analysis system capable of improving the prediction accuracy of the nerve regeneration process.
本発明に係る解析システムは、生体神経回路網の再生過程を解析する解析システムであって、
人工的ニューラルネットワークを用いるニューラルネットワーク解析により、前記生体神経回路網の再生過程を、取得された実画像に基づいて予測する解析装置と、
前記生体神経回路網の実画像を取得する撮影装置と、
取得された前記生体神経回路網の実画像と、各種情報とを、前記解析装置に入力する入力装置と、
前記解析装置の予測結果として生成される予測画像を表示する出力装置と、を有し、
前記入力装置は、再生初期に取得された前記生体神経回路網の実画像を入力するときに、神経再生の進度に影響する因子の入力と神経再生過程の予測時期の指定とを併せて行い、
前記解析装置は、前記人工的ニューラルネットワークに適用するニューロンモデルを、前記生体神経回路網の部位に応じて選定し、入力された因子に基づいて、指定された時期の前記生体神経回路網の予測画像を、入力された再生初期の前記生体神経回路網の実画像から生成する。
An analysis system according to the present invention is an analysis system for analyzing a regeneration process of a biological neural network,
An analysis device that predicts the reproduction process of the biological neural network based on the acquired actual image by neural network analysis using an artificial neural network;
An imaging device for acquiring a real image of the biological neural network ;
An input device for inputting the acquired real image of the biological neural network and various information to the analysis device;
An output device for displaying a prediction image generated as a prediction result of the analysis device,
The input device, when inputting a real image of the biological neural network acquired in the initial stage of reproduction, performs input of factors that influence the progress of nerve regeneration and designation of the prediction time of the nerve regeneration process,
The analysis apparatus selects a neuron model to be applied to the artificial neural network according to a part of the biological neural network, and predicts the biological neural network at a specified time based on an input factor. An image is generated from the inputted real image of the biological neural network at the initial stage of reproduction .
本発明によれば、生体内の神経再生過程を予測し、予測された神経再生過程を可視化するとともに、神経再生過程の予測精度の向上を図ることができる。 According to the present invention, it is possible to predict a nerve regeneration process in a living body, visualize the predicted nerve regeneration process, and improve the prediction accuracy of the nerve regeneration process.
以下、本発明の実施の形態について、図面を用いて詳細に説明する。 Hereinafter, embodiments of the present invention will be described in detail with reference to the drawings.
図１は、本発明の一実施の形態に係る解析システムの構成を示すブロック図である。 FIG. 1 is a block diagram showing a configuration of an analysis system according to an embodiment of the present invention.
図１に示す解析システムは、撮影装置１１、解析装置１２、入力装置１３及び表示装置１４を有する。 The analysis system illustrated in FIG. 1 includes an imaging device 11, an analysis device 12, an input device 13, and a display device 14.
撮影装置１１は、解析対象の生体内の神経回路網（生体神経回路網）を撮影するための装置であり、例えば共焦点レーザー顕微鏡の原理を利用するものである。より具体的には、撮影対象の生体神経回路網は予め蛍光色素で着色されており、撮影装置１１は、生体神経回路網に対して生体外からレーザービームを照射し、その結果として生体神経回路網から発せられる蛍光を検出する。検出された蛍光はディジタルデータに変換され、画像データとして解析装置１２に出力される。 The imaging apparatus 11 is an apparatus for imaging a neural network (biological neural network) in a living body to be analyzed, and uses, for example, the principle of a confocal laser microscope. More specifically, the biological neural network to be imaged is previously colored with a fluorescent dye, and the imaging device 11 irradiates the biological neural network with a laser beam from outside the living body, and as a result, the biological neural network Fluorescence emitted from the net is detected. The detected fluorescence is converted into digital data and output to the analyzer 12 as image data.
解析装置１２は、ＣＰＵ（Central Processing Unit）及び記憶装置を有する、例えばパソコン等の装置である。解析装置１２は、この記憶装置に予め記憶されているプログラムをＣＰＵで実行することにより、システム内の各装置を制御し、特に神経再生過程の予測を行う。 The analysis device 12 is a device such as a personal computer having a CPU (Central Processing Unit) and a storage device. The analysis device 12 controls each device in the system by executing a program stored in advance in the storage device by the CPU, and particularly predicts a nerve regeneration process.
入力装置１３は、解析装置１２に対して各種情報の入力を行うための、例えばマウスやキーボード等の装置である。 The input device 13 is a device such as a mouse or a keyboard for inputting various information to the analysis device 12.
出力装置としての表示装置１４は、各種情報の入力画面、撮影装置１１により撮影された画像、及び解析装置１２により生成された画像を表示するための、例えばＬＣＤ（Liquid Crystal Display）等の装置である。なお、出力装置は、これらの画像を紙等の媒体上に印刷するプリンタであっても良い。 The display device 14 as an output device is a device such as an LCD (Liquid Crystal Display) for displaying various information input screens, images taken by the photographing device 11, and images generated by the analyzing device 12. is there. The output device may be a printer that prints these images on a medium such as paper.
上記構成を有する本実施の形態の解析システムにおいて、解析装置１２は、生体神経回路網をモデル化したニューロンモデルを適用した人工的ニューラルネットワーク（ＡＮＮ：Artificial Neural Network）を用いて、ニューラルネットワーク解析により神経再生過程の予測を行うものである。 In the analysis system of the present embodiment having the above-described configuration, the analysis device 12 uses an artificial neural network (ANN: Artificial Neural Network) to which a neuron model obtained by modeling a biological neural network is used to perform neural network analysis. It predicts the nerve regeneration process.
ここで、ＡＮＮ解析に関して、生体神経回路網のモデル化、ニューロンモデルの構造及び学習機能の特徴について説明する。 Here, modeling of the biological neural network, the structure of the neuron model, and the characteristics of the learning function will be described with respect to the ANN analysis.
例えば人間の脳等、生体内には、多数の神経細胞が存在しており、それらの神経細胞が互いに結びついて生体神経回路網を構成している。生体神経回路網において、各神経細胞は、他の細胞からの入力信号を受信し、受信信号の和が一定の閾値を超えたときに発火して出力信号を他の神経細胞に送信する。生体神経回路網におけるこのような信号伝播の仕組みを、入力値に結合荷重を掛けて加算した値を出力値とする形でモデル化したものが、ニューロンモデルである。 For example, a large number of nerve cells exist in a living body such as a human brain, and these nerve cells are connected to each other to form a living nerve network. In the biological neural network, each nerve cell receives an input signal from another cell, and fires when the sum of the received signals exceeds a certain threshold value, and transmits an output signal to the other nerve cell. A neuron model is a model obtained by modeling such a signal propagation mechanism in a biological neural network in the form of an output value obtained by multiplying an input value by applying a coupling load.
ニューロンモデルのネットワーク構造としては、図２に示す階層型ネットワーク及び図３に示す相互結合型ネットワークがある。 As the network structure of the neuron model, there are a hierarchical network shown in FIG. 2 and an interconnection network shown in FIG.
図２に示すように、階層型ネットワークは、入力層、中間層及び出力層という複数の階層で構成されている。この構造においては、図中○印で示されている各ニューロンが層状に配置されており、同じ階層のニューロンは互いに結合せず、別々の階層のニューロンが互いに結合している。そのため、信号伝播は、ある層からその次の層へと一方向のみに行われる。なお、入力層と出力層との間に複数の中間層が介在していても良い。中間層の数を増やすことで予測精度の向上を図ることができる。 As shown in FIG. 2, the hierarchical network includes a plurality of hierarchies including an input layer, an intermediate layer, and an output layer. In this structure, each neuron indicated by a circle in the figure is arranged in layers, and neurons in the same layer are not connected to each other, and neurons in different layers are connected to each other. Therefore, signal propagation occurs in only one direction from one layer to the next. A plurality of intermediate layers may be interposed between the input layer and the output layer. The prediction accuracy can be improved by increasing the number of intermediate layers.
一方、図３に示すように、相互結合型ネットワークは、階層型ネットワークのような階層構造を持たずに各ニューロンが互いに結合しているネットワークである。 On the other hand, as shown in FIG. 3, the interconnection network is a network in which neurons are connected to each other without having a hierarchical structure like a hierarchical network.
ＡＮＮの主たる特徴の１つは、学習によって機能を獲得するという点である。学習とは、ニューロンモデルにおいてニューロン間の結合荷重を所定のアルゴリズムに基づいて更新することである。この学習により、その後に行われる実際の入力データから望ましい出力が得られるようにすることができる。学習の方法は、大別して３つある。具体的には、教師あり学習、教師なし学習、及び強化学習である。 One of the main features of ANN is that it acquires functions by learning. Learning is updating the connection weight between neurons in a neuron model based on a predetermined algorithm. By this learning, a desired output can be obtained from actual input data performed thereafter. There are roughly three learning methods. Specifically, supervised learning, unsupervised learning, and reinforcement learning.
教師あり学習では、ＡＮＮに所定のテストデータを入力してその入力テストデータから実際の出力を得るとともに、入力テストデータに対する出力として望ましい目標出力データを教示する。そして、実際の出力データと目標出力データとの誤差に基づいてニューロン間の結合荷重を修正する。この学習は、誤差が収束するまで継続される。学習の過程で中間層の数を自発的に増やす自己増殖型もある。 In supervised learning, predetermined test data is input to the ANN to obtain an actual output from the input test data, and target output data desirable as an output for the input test data is taught. Then, the connection load between the neurons is corrected based on the error between the actual output data and the target output data. This learning is continued until the error converges. There is also a self-propagating type that spontaneously increases the number of intermediate layers during the learning process.
教師なし学習では、所与のデータから一定のパターンや特徴等の法則性を特定し、その法則性に従って、類似の入力データに対して類似の出力データが得られるようにニューロン間の結合荷重を修正する。 In unsupervised learning, the regularity of certain patterns and features is identified from given data, and the connection load between neurons is determined so that similar output data can be obtained for similar input data according to the law. Correct it.
強化学習では、学習及び行動決定のコントローラが、報酬の最大化を目指して環境（制御対象）の状態観測から行動出力へのマッピング（政策）を獲得する。コントローラは、環境に対して行動を起こし、環境の状態が遷移し、その遷移に応じた報酬を得るサイクルを繰り返し、マッピングを学習する。 In reinforcement learning, a controller for learning and action determination obtains a mapping (policy) from state observation of the environment (control target) to action output for the purpose of maximizing reward. The controller takes action on the environment, the state of the environment transitions, and repeats a cycle for obtaining a reward corresponding to the transition, thereby learning the mapping.
続いて、生体神経回路網とニューロンモデルとの関連性について説明する。この関連性についての説明は、例えば「計算神経科学への招待」（数理科学、No.505、JULY 2005）においてなされている。ここでは、脳内の幾つかの部位を例にとって説明する。 Next, the relationship between the biological neural network and the neuron model will be described. An explanation of this relationship is given, for example, in “Invitation to Computational Neuroscience” (Mathematical Sciences, No. 505, JULY 2005). Here, some parts in the brain will be described as examples.
大脳皮質は、６層の構造を有し、また、浅い層の出力はより高次の皮質へ伝播され且つ深い層の出力はより低次の皮質や視床、脳幹へ伝播されるという結合関係があることから、階層的な多数の領野に分けられている。大脳皮質のニューロンは、多数のコラムから構成されている。コラムは、例えば視野に入った物体の形や位置、動き、自分の手との関係等、各領野に異なる属性に対する応答性を持ち、類似した特徴に応答するニューロンが集まったものである。 The cerebral cortex has a six-layer structure, and the output of the shallow layer is propagated to the higher cortex and the output of the deep layer is propagated to the lower cortex, thalamus, and brainstem. It is divided into a number of hierarchical fields. Neurons in the cerebral cortex are composed of many columns. The column is a collection of neurons that respond to different attributes and respond to similar features, such as the shape and position of the object in the field of view, the movement, and the relationship with your hand.
大脳皮質のシナプスも海馬と同様な可塑性を持つ。大脳皮質の特徴は、各領野内においても各領野間においても、双方向的な結合が強く見られ、規則性がある。ボトムアップの結合は主に第３層から第４層に向かう。トップダウンの結合は主に第５、６層から第１層に向かう。したがって、大脳皮質は、その相互結合回路のダイナミクスによる相互結合型ネットワークの教師なし学習モデルに近いと考えられる。 Cortical synapses have the same plasticity as the hippocampus. The features of the cerebral cortex are regular with strong bidirectional connections in each region and between regions. Bottom-up coupling is mainly from the third layer to the fourth layer. Top-down bonding mainly goes from the fifth and sixth layers to the first layer. Therefore, the cerebral cortex is considered to be close to an unsupervised learning model of an interconnection network based on the dynamics of the interconnection circuit.
すなわち、本実施の形態の解析システムにおいて、解析対象部位が大脳皮質である場合には、図４に示すように、ニューラルネットワーク解析に用いるＡＮＮに適用するニューロンモデルとして、相互結合型ネットワークの教師なし学習モデルを選定することが適切である。 That is, in the analysis system of the present embodiment, when the analysis target site is the cerebral cortex, as shown in FIG. 4, there is no supervising of the interconnection network as a neuron model applied to the ANN used for the neural network analysis. It is appropriate to select a learning model.
大脳基底核は、大脳皮質から入力を受け、尾状核と被殻からなる線条体を入力部として淡蒼球内節と黒質網様部を出力部とした２重抑制の回路構造を持つ。また、線条体は、黒質緻密部からドーパミン性の入力を受ける。 The basal ganglia has a double-repression circuit structure that receives input from the cerebral cortex and uses the striatum consisting of the caudate nucleus and putamen as the input and the inner part of the pallidum and the substantia nigra as the output. Have. In addition, the striatum receives dopamine input from the substantia nigra.
大脳基底核の機能に関しては、ジュースや餌等の報酬を使った実験で、線条体ニューロンが報酬の予測に応じた応答を示すこと、及びドーパミン細胞が報酬の予測誤差に応答することが、明らかにされている。また、大脳皮質から線条体への入力シナプスがドーパミンに依存した可塑性を持つことから、大脳基底核は、報酬の予測を基にした行動学習に関与すると考えられている。したがって、大脳基底核は、線条体が状態の価値と行動の価値を学習し、中脳の黒質ドーパミン細胞から送られる報酬信号を基にした学習を行うことから、相互結合型ネットワークの強化学習モデルに近いと考えられる。 Regarding the function of the basal ganglia, in experiments using rewards such as juice and food, striatal neurons show a response according to reward prediction, and dopamine cells respond to reward prediction errors, It has been revealed. In addition, the basal ganglia are considered to be involved in behavioral learning based on reward prediction because the synapses from the cerebral cortex to the striatum have plasticity dependent on dopamine. Therefore, the basal ganglia strengthens the interconnection network because the striatum learns the value of the state and the value of the action, and learns based on reward signals sent from the substantia nigra dopamine cells. It is considered close to the learning model.
すなわち、本実施の形態の解析システムにおいて、解析対象部位が大脳基底核である場合には、図４に示すように、ニューラルネットワーク解析に用いるＡＮＮに適用するニューロンモデルとして、相互結合型ネットワークの強化学習モデルを選定することが適切である。 That is, in the analysis system of the present embodiment, when the analysis target site is the basal ganglia, as shown in FIG. 4, the interconnection network is strengthened as a neuron model applied to the ANN used for the neural network analysis. It is appropriate to select a learning model.
小脳は、分類としては後脳の一部であり、その起源は古い。しかし、その中心部が脊髄や脳幹に出力を送るのに対し、その左右に張り出した外側部は視床を経て大脳皮質に出力を送り、大脳皮質の進化に伴い小脳も拡張し続けている。特に、その腹外側部は大脳の前頭前野に出力を送り、運動制御だけではなく様々な認知機能にも関与する。 The cerebellum is part of the hindbrain as a classification, and its origin is old. However, while the central part sends output to the spinal cord and brainstem, the laterally protruding outer part sends output to the cerebral cortex via the thalamus, and the cerebellum continues to expand as the cerebral cortex evolves. In particular, the ventrolateral part sends output to the prefrontal area of the cerebrum and is involved in various cognitive functions as well as motor control.
小脳の出力細胞であるプルキンエ細胞は入力層の顆粒細胞から約１０万本の平行線維へのシナプスと、脳幹の下オリーブ核から１本の登上線維へのシナプスと、を受ける。この特徴的な構造から、登上線維はプルキンエ細胞の出力の学習信号を与えると考えられ、平行線維シナプスが登上線維との同時刺激により長期減弱を起こすこと、登上線維が誤差信号をコードすること、さらに眼球運動等の学習のシミュレーション実験により検証されている。したがって、小脳は、下オリーブ核から登上線維によって送られる誤差信号を基にした学習を行い、階層型ネットワークの教師あり学習モデルに近いと考えられる。 Purkinje cells, which are the output cells of the cerebellum, receive synapses from granule cells in the input layer to about 100,000 parallel fibers and synapses from the lower olive nucleus of the brain stem to one ascending fiber. From this characteristic structure, it is considered that the climbing fiber gives the learning signal of Purkinje cell output. The parallel fiber synapse causes long-term attenuation by simultaneous stimulation with the climbing fiber, and the climbing fiber codes an error signal. Furthermore, it has been verified by a simulation experiment of learning such as eye movement. Therefore, it is considered that the cerebellum performs learning based on the error signal sent from the lower olive nucleus by the climbing fiber, and is close to a supervised learning model of a hierarchical network.
すなわち、本実施の形態の解析システムにおいて、解析対象部位が小脳である場合には、図４に示すように、ニューラルネットワーク解析に用いるＡＮＮに適用するニューロンモデルとして、階層型ネットワークの教師あり学習モデルを選定することが適切である。 That is, in the analysis system of this embodiment, when the analysis target part is the cerebellum, as shown in FIG. 4, a supervised learning model of a hierarchical network is used as a neuron model applied to the ANN used for neural network analysis. It is appropriate to select
このように、本実施の形態では、ニューラルネットワーク解析に用いるＡＮＮに適用するニューロンモデルを解析対象の生体神経回路網の部位に応じて選定する。各部位の特徴を踏まえて最適なニューロンモデルを選定することができるため、解析対象部位が生体内のどこであっても一定レベル以上の予測精度を確保することができる。 Thus, in this embodiment, a neuron model to be applied to the ANN used for neural network analysis is selected according to the part of the biological neural network to be analyzed. Since an optimal neuron model can be selected based on the characteristics of each part, it is possible to ensure a prediction accuracy of a certain level or more wherever the analysis target part is in the living body.
次いで、本実施の形態の解析システムの予測表示動作について、図５及び図６を用いて説明する。図５は、予測表示動作を説明するためのフロー図であり、図６は、予測表示動作における入出力の例を示す図である。 Next, the predictive display operation of the analysis system according to the present embodiment will be described with reference to FIGS. FIG. 5 is a flowchart for explaining the predictive display operation, and FIG. 6 is a diagram showing an example of input / output in the predictive display operation.
まず、蛍光色素で着色されている解析対象部位の生体神経回路網を撮影装置１１によって撮影する（ステップＳ１）。例えば、神経細胞が生体内に移植されて間もない時期にその部位を撮影すると、再生初期の生体神経回路網の実画像を得ることができる。得られた実画像のデータは、解析装置１２に入力される。 First, the imaging device 11 captures an image of the biological neural network of the site to be analyzed that is colored with a fluorescent dye (step S1). For example, if the site is imaged shortly after the nerve cells are transplanted into the living body, a real image of the living neural network in the early stage of reproduction can be obtained. The obtained real image data is input to the analysis device 12.
なお、細胞体、軸索、樹状突起、シナプス、神経伝達物質及び細胞接着分子等の、生体神経回路網の各要素を、互いに異なる蛍光色素（緑色、黄色及び赤色等の蛍光タンパク質）で着色することによって、これらを識別可能とすることが好ましい。 Each element of the biological neural network such as cell bodies, axons, dendrites, synapses, neurotransmitters and cell adhesion molecules is colored with different fluorescent dyes (fluorescent proteins such as green, yellow and red). By doing so, it is preferable that these can be identified.
解析装置１２には、再生初期の生体神経回路網の実画像とともに、各種情報が入力される（ステップＳ２）。情報入力は入力装置１３を用いて行われる。 Various information is input to the analysis device 12 together with the actual image of the biological neural network in the initial stage of reproduction (step S2). Information input is performed using the input device 13.
入力される情報の例としては、目的に応じて選択した表示対象の蛍光色素情報、再生又は活性の度合いを示す蛍光色の濃淡情報、３次元座標の位置情報、及び術後からの経過時間情報等がある。術後からの経過時間情報としては、１週間後、１ヶ月後、１年後等の時期を指定することができ、この指定を行うと、その指定時期における神経再生状態を予測することができる。また、再生の進度に影響する因子として、年齢、並びに疾病及びその重症度等の関連情報も入力すると、神経再生過程の予測精度を一層向上させることができる。なお、入力情報の値の形式は、絶対値又は相対値（再生初期の変化量）とする。 Examples of information to be input include fluorescent dye information to be displayed selected according to the purpose, fluorescent color shading information indicating the degree of regeneration or activity, three-dimensional coordinate position information, and postoperative time information Etc. As the elapsed time information after the operation, a time such as one week, one month, one year, etc. can be specified. When this specification is made, the state of nerve regeneration at the specified time can be predicted. . Moreover, if relevant information such as age, disease, and its severity is input as a factor that affects the progress of regeneration, the prediction accuracy of the nerve regeneration process can be further improved. The format of the value of the input information is an absolute value or a relative value (change amount at the initial stage of reproduction).
なお、ステップＳ２では、上記各種情報の入力のほかに、神経再生過程の予測時期（指定時期）を出力条件として指定する。この指定も入力装置１３を用いて行うことができる。 In step S2, in addition to the input of the various information, a predicted time (specified time) of the nerve regeneration process is specified as an output condition. This designation can also be performed using the input device 13.
ステップＳ３では、入力装置１３を用いて解析対象部位がどこであるかを指定し、解析装置１２において、後に実行されるニューラルネットワーク解析に用いるＡＮＮに適用するニューロンモデルを、指定された解析対象部位に応じて選定する。解析装置１２に、解析対象部位とニューロンモデルとの対応関係を示すテーブルを予め記憶させておくと、適切なニューロンモデルの選定を確実に行うことができる。 In step S3, the input device 13 is used to specify where the analysis target region is, and in the analysis device 12, a neuron model to be applied to the ANN used for the neural network analysis to be executed later is set as the specified analysis target region. Select according to your needs. If the analysis device 12 stores in advance a table indicating the correspondence between the analysis target region and the neuron model, an appropriate neuron model can be selected reliably.
ステップＳ４では、解析装置１２において、選定されたニューロンモデルの学習を行って、ＡＮＮの結合荷重を決定する。本実施の形態では、解析対象のデータが画像であるため、学習用のテストデータに画像を使用する。例えば、再生が速いパターンのテスト画像の組合せや、再生が遅いパターンのテスト画像の組合せ等、複数パターンのテスト画像を使用することが好ましい。 In step S4, the analysis device 12 learns the selected neuron model and determines the ANN connection weight. In this embodiment, since the data to be analyzed is an image, the image is used as test data for learning. For example, it is preferable to use a plurality of patterns of test images such as a combination of test images having a fast reproduction pattern and a combination of test images having a slow reproduction pattern.
そして、解析装置１２において、ニューラルネットワーク解析により（例えばバックプロパゲーション法により）、生体神経回路網の再生過程の予測を行い（ステップＳ５）、その結果を表示装置１４に表示する（ステップＳ６）。 Then, the analysis device 12 predicts the reproduction process of the biological neural network by neural network analysis (for example, by the back propagation method) (step S5), and displays the result on the display device 14 (step S6).
ニューラルネットワーク解析では、結合荷重をＡＮＮにセットし、そのＡＮＮに、再生初期の生体神経回路網の実画像及び各種情報を入力信号として入力すると、入力信号と結合荷重との演算により、指定時期の生体神経回路網の予測画像を生成することができる。また、各種の出力情報を得ることもできる。出力情報としては、例えば再生完了時期がある。また、指定された予測時期における再生度合いや再生領域を出力することもできる。したがって、本実施の形態では、再生初期の時点で、将来の再生領域や再生度合い、再生完了時期等を判定することができる。 In neural network analysis, the connection weight is set to ANN, and when an actual image and various information of the living neural network in the early stage of reproduction are input to the ANN as input signals, the calculation of the input signal and the connection weights causes the specified time. A prediction image of the biological neural network can be generated. Various output information can also be obtained. The output information includes, for example, a reproduction completion time. It is also possible to output the playback degree and playback area at the designated prediction time. Therefore, in the present embodiment, it is possible to determine the future reproduction area, the degree of reproduction, the reproduction completion time, and the like at the time of the initial reproduction.
以上説明したように生体内の神経再生過程の予測が実現されると、生体内で再生中の神経回路網の活性度や形態的特徴を自動的に抽出することができるため、その神経回路網の解析に要する時間を短縮することができる。特に、本実施の形態では、予測結果として再生初期以降の生体神経回路網の再生過程の予測画像を提供することができる。これにより、神経再生過程の早期診断の実現や、生体神経回路網の形成・再生に関与する仕組みの解明の促進が、期待される。 As described above, when the neural regeneration process in the living body is predicted, the activity and morphological characteristics of the neural network being reproduced in the living body can be automatically extracted. The time required for the analysis can be shortened. In particular, in the present embodiment, a prediction image of the reproduction process of the biological neural network after the initial reproduction can be provided as a prediction result. As a result, it is expected to realize early diagnosis of the nerve regeneration process and promote the elucidation of the mechanism involved in the formation and regeneration of the biological neural network.
以上、本発明の実施の形態について説明したが、以上の説明は本発明の好適な実施の形態の例証であり、本発明の範囲はこれに限定されるものではない。よって、上記実施の形態は、種々変更して実施可能である。 Although the embodiment of the present invention has been described above, the above description is an illustration of a preferred embodiment of the present invention, and the scope of the present invention is not limited to this. Therefore, the above embodiment can be implemented with various modifications.
１１ 撮影装置
１２ 解析装置
１３ 入力装置
１４ 表示装置
11 Imaging Device 12 Analysis Device 13 Input Device 14 Display Device
Claims (1)
人工的ニューラルネットワークを用いるニューラルネットワーク解析により、前記生体神経回路網の再生過程を、取得された実画像に基づいて予測する解析装置と、
前記生体神経回路網の実画像を取得する撮影装置と、
取得された前記生体神経回路網の実画像と、各種情報とを、前記解析装置に入力する入力装置と、
前記解析装置の予測結果として生成される予測画像を表示する出力装置と、を有し、
前記入力装置は、再生初期に取得された前記生体神経回路網の実画像を入力するときに、神経再生の進度に影響する因子の入力と神経再生過程の予測時期の指定とを併せて行い、
前記解析装置は、前記人工的ニューラルネットワークに適用するニューロンモデルを、前記生体神経回路網の部位に応じて選定し、入力された因子に基づいて、指定された時期の前記生体神経回路網の予測画像を、入力された再生初期の前記生体神経回路網の実画像から生成する、
解析システム。 An analysis system for analyzing a regeneration process of a biological neural network,
An analysis device that predicts the reproduction process of the biological neural network based on the acquired actual image by neural network analysis using an artificial neural network;
An imaging device for acquiring a real image of the biological neural network ;
An input device for inputting the acquired real image of the biological neural network and various information to the analysis device;
An output device for displaying a prediction image generated as a prediction result of the analysis device,
The input device, when inputting a real image of the biological neural network acquired in the initial stage of reproduction, performs input of factors that influence the progress of nerve regeneration and designation of the prediction time of the nerve regeneration process,
The analysis apparatus selects a neuron model to be applied to the artificial neural network according to a part of the biological neural network, and predicts the biological neural network at a specified time based on an input factor. An image is generated from the input real image of the biological neural network in the initial stage of reproduction.
Analysis system.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2011259977A JP5907704B2 (en) | 2011-11-29 | 2011-11-29 | Analysis system |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2011259977A JP5907704B2 (en) | 2011-11-29 | 2011-11-29 | Analysis system |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2013113706A JP2013113706A (en) | 2013-06-10 |
| JP5907704B2 true JP5907704B2 (en) | 2016-04-26 |
Family
ID=48709368
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2011259977A Active JP5907704B2 (en) | 2011-11-29 | 2011-11-29 | Analysis system |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP5907704B2 (en) |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6058352A (en) * | 1997-07-25 | 2000-05-02 | Physical Optics Corporation | Accurate tissue injury assessment using hybrid neural network analysis |
| JP5181385B2 (en) * | 2007-08-16 | 2013-04-10 | 国立大学法人名古屋大学 | Prediction model construction method for predicting cell quality, prediction model construction program, recording medium recording the program, and prediction model construction apparatus |
| WO2009031283A1 (en) * | 2007-09-03 | 2009-03-12 | Nikon Corporation | Culture apparatus, culture information management method, and program |
| JP4753094B2 (en) * | 2007-11-19 | 2011-08-17 | 独立行政法人産業技術総合研究所 | Neural circuit regeneration function analyzer, analysis method, and screening method |
| JP5816416B2 (en) * | 2010-04-23 | 2015-11-18 | 国立大学法人名古屋大学 | Cell evaluation apparatus, incubator, program, and culture method |
-
2011
- 2011-11-29 JP JP2011259977A patent/JP5907704B2/en active Active
Also Published As
| Publication number | Publication date |
|---|---|
| JP2013113706A (en) | 2013-06-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hofmann et al. | Beyond linear mediation: Toward a dynamic network approach to study treatment processes | |
| He et al. | The practical implementation of artificial intelligence technologies in medicine | |
| WO2021020198A1 (en) | Information processing device, program, learned model, diagnostic assistance device, learning device, and method for generating prediction model | |
| Zhang et al. | Data-driven approaches to neuroimaging analysis to enhance psychiatric diagnosis and therapy | |
| CN112884729A (en) | Auxiliary diagnosis method and device for fundus diseases based on bimodal deep learning | |
| JP7442596B2 (en) | Platform for Biomarker Identification Using Navigation Tasks and Treatment Using Navigation Tasks | |
| Pan et al. | Fundus image classification using Inception V3 and ResNet-50 for the early diagnostics of fundus diseases | |
| Patil et al. | Convolution neural network and deep-belief network (DBN) based automatic detection and diagnosis of Glaucoma | |
| Jahanara et al. | Detecting autism from facial image | |
| Celeghin et al. | Convolutional neural networks for vision neuroscience: significance, developments, and outstanding issues | |
| Hillis et al. | Use of artificial intelligence in clinical neurology | |
| Kamat et al. | Directed information flow during laparoscopic surgical skill acquisition dissociated skill level and medical simulation technology | |
| Xiong et al. | The digital twin brain: A bridge between biological and artificial intelligence | |
| Subasi et al. | Digital twins in healthcare and biomedicine | |
| Kang et al. | A Beginner’s Guide to Artificial Intelligence for Ophthalmologists | |
| Catania et al. | Artificial intelligence and its applications in vision and eye care | |
| JP5907704B2 (en) | Analysis system | |
| Gong et al. | Human–Robot Interactive Communication and Cognitive Psychology Intelligent Decision System Based on Artificial Intelligence—Case Study | |
| Tolu et al. | Perspective on investigation of neurodegenerative diseases with neurorobotics approaches | |
| Sridhar et al. | Artificial intelligence in medicine: diabetes as a model | |
| Roongruangsilp et al. | Artificial intelligence with the application in medicine and dentistry | |
| Guefrachi et al. | Automated diabetic retinopathy screening using deep learning | |
| Souto et al. | Retinal Drug Delivery: Rethinking Outcomes for the Efficient Replication of Retinal Behavior | |
| Sheikh | Diabetic reinopathy classification using deep learning | |
| Rajarajeswari et al. | Simulation of diabetic retinopathy utilizing convolutional neural networks |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20141107 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20151113 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20151124 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20160125 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20160301 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20160322 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 5907704 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |