Subscribe Now

* You will receive the latest news and updates on your favorite celebrities!

Trending News

人工智能

「健康及醫療人工智能」系列(8): 使用遺傳算法和GPU改善神經元連接模型 

陳穎志博士  香港理工大學   醫療科技及資訊學系

2020-01-15

腦部網絡的有效鏈接模型是一種有方向性的結構方程模型(Structural Equation Modeling,SEM),根據功能成像數據,得到腦神經激活動態序列,從而推斷出人腦的思維軌跡。在進行有效鏈接模型分析之前,我們需要根據現有研究和解剖學知識,設定因感官刺激而可能被激活的目標腦部區域,同時決定區域之間的路徑數量。例如我們考慮六個腦部區域: (A)左內側額葉,(B)左下額葉,(C)左中額葉(BA 9),(D)左中額葉(BA 10),(E)左小腦,(F)左下頂葉。BA 代表布羅德曼分區(Brodmann Area)。這六個腦部區域將有30個可能的因果關係鏈接。如果現有研究和解剖學知識告訴我們這六個腦部區域之間有12個鏈接,可能的路徑組合將有 30C12=86,493,225個。(圖1)

圖1 左邊表格中圓點代表所有可能路徑;右邊表格中打勾代表86,493,225個可能路徑組合中的其中一個組合

利用結構方程模型(Structural Equation Modeling,SEM)找出最佳有效鏈接模型,所需的計算時間會隨著路徑數量的幾何級數增加。由於執行每次結構方程模型的系數優化都需要處理多個矩陣的運算,以中央處理器(Central Processing Unit,CPU)執行路徑運算比較慢,效率未合符要求。配備有專用像素處理硬件的圖形處理器(Graphics Processing Unit, GPU)可以加快路徑計算速度。軟件開發工具,例如Common Unified Device Architecture(CUDA)工具包(http://www.nvidia.com/),將科學計算平台從中央處理器轉換為圖形處理器。圖形處理器的當前應用主要是生物信息學中的DNA和蛋白質序列比對。在神經元鏈接模型研究上,一項研究使用圖形處理器來分析腦部區域之間的關聯,但使用這種功能分析無法確定鏈接的方向性(Eklund, et al. Computer Methods and Programs in Biomedicine, 105(2), 145-161, 2012; Eklund, et al. Front Neuroinform., 8:24, 2014. )。 本研究已把圖形處理器應用於分析人腦的有效鏈接模型。

在本研究中,使用了功能神經影像分析(Analysis of Functional NeuroImages, AFNI)程序,AFNI是用於分析人腦功能磁力共振成像(functional Magnetic Resonance Imaging, fMRI)數據和可視化的C程序。在原始的AFNI源代碼中,目標函數的優化是通過“Powell Optimization”模塊實現的。由於圖形處理器無法加速“Powell Optimization”模塊,因此我們利用遺傳算法(Genetic Algorithm, GA)將該模塊替換為圖形處理器實施。遺傳算法是一種並行算法,用於隨機探索目標函數的最佳解決方案。許多成功例子已經將遺傳算法移植到圖形處理器的應用程序內(Wang and Shen. IEEE Transactions on Intelligent Transportation Systems, 13(3), 1474-1480,2012.)。

如果我們使用 2.5GHz AMD Phenom X4 9850 四核中央處理器和2MB高速緩存,則每個可能路徑組合的解決方案優化需要 0.1s 的計算時間,而86,493,225個可能路徑組合中的最佳解決方案將在3個月內獲得。為了使路徑模型計算更為可行,我們將以中央處理器計算下執行的編碼重寫為以配備 448個核(1.15GHz)和 3GB 內存的 NVIDIA Tesla C2050 GPU 圖形處理器執行。使用圖形處理器方法,僅需20小時即可從86,493,225個可能路徑組合中獲得最佳的解決方案。本項研究證明了遺傳算法在圖形處理器下的應用程序能夠以較低計算成本,準確地分析功能磁力共振成像數據。

特別鳴謝 Dr. Bin Pang, Prof. Chi-Ren Shyu, Dr. Tao Chan, Prof. Pek-Lan Khong 對此研究所作出的貢獻。

研究結果和圖片來自以下期刊論文:

  1. Chan LW, Pang B, Shyu C, Chan T and Khong P (2015) Genetic Algorithm Supported by Graphical Processing Unit Improves the Exploration of Effective Connectivity in Functional Brain Imaging. Front. Comput. Neurosci. 9:50. doi:10.3389/fncom.2015.00050
  2. Chan, LW, Pang B, Shyu C, Chan T and Khong P (2013). Fast GPU Algorithm for Analyzing Effective Connectivity in Functional Brain Imaging. 3rd IFAC International Conference on Intelligent Control and Automation Science, 3(1), 349-352.

陳穎志博士 Dr Lawrence Chan

陳穎志博士
香港理工大學醫療科技及資訊學系副教授
浙江大學核醫學與分子影像研究所客席教授
港澳抗癌協會常務理事

「健康及醫療人工智能」系列:

 

1.「健康及醫療人工智能」系列(1):人工智能於臨床和研究應用中的卓越特性

2.「健康及醫療人工智能」系列(2):人工智能基礎知識及醫學分析模型

3.「健康及醫療人工智能」系列(3):電子病歷搜索引擎

4.「健康及醫療人工智能」系列(4):醫學文件搜索算法

5.「健康及醫療人工智能」系列(5):搜索引擎輔助製定放射治療計劃

6.「健康及醫療人工智能」系列(6): 搜索類似放射治療計劃的算法

7.「健康及醫療人工智能」系列(7): 基於功能性磁力共振數據的神經元連接模型

8.「健康及醫療人工智能」系列(8): 使用遺傳算法和GPU改善神經元連接模型

9.「健康及醫療人工智能」系列(9): 放射組學:醫學圖像的高通量測序

10.「健康及醫療人工智能」系列(10): 輔助醫學圖像分析的計算機視覺

相關文章