[구글 AI 포럼] AI 혁신과 뇌 과학 연결체학(Connectomics) 노트
원글 : 사이언스모니터
연결체학(Connectomics), 10배 이상 크게 개선되다
‘연결체학(Connectomics)’ 분야는 뇌가 어떻게 작동하는지 더 잘 이해하기 위해 신경계에서 찾을 수 있는 신경망의 구조를 포괄적으로 매핑하는 것을 목표로 한다. 이를 위해서는 먼저 나노미터 해상도로 뇌 조직의 3D 이미지를 생성한 다음 (이 과정에는 일반적으로 전자 현미경이 사용된다), 그 결과로 얻어진 이미지 데이터를 분석하여 뇌의 신경돌기를 추적하고 각 시냅스가 어떻게 연결되어 있는지 파악한다. 이미지의 높은 해상도 때문에 단 1 입방밀리미터의 뇌 조직당 1,000TB 이상의 데이터가 생성될 수 있다. 이러한 이미지에 포함되어 있는 구조는 매우 복잡하다. 브레인 매핑(brain mapping)에서 난제는 데이터를 해석하는 작업을 자동화하는 것이었다.
구글은 막스 플랑크 신경생물학연구소 연구진과 공동으로 ‘네이처 메소드(Nature Methods)’지에 '플러드 필링 네트워크를 사용한 뉴런의 고정밀 자동화 재구성(High-Precision Automated Reconstruction of Neurons with Flood-Filling Networks)'이란 연구를 발표했다. 이 연구 결과는 새로운 유형의 순환신경망 (RNN)을 사용하면 기존의 딥러닝 기법과 비교했을 때 자동화된 연결체 데이터 해석 정확도가 10배 이상 크게 개선될 수 있다는 사실을 보여 준다. 이 연구 결과의 오픈 액세스 버전은 바이오리시브(biorXiv, 2017)에서도 확인할 수 있다.
플러드 필링 네트워크를 사용한 3D 이미지 세분화
대규모의 전자 현미경 데이터에서 신경돌기를 추적하다 보면 이미지 세분화라는 문제를 마주하게 된다. 전통적인 알고리듬에서는 이 과정을 최소한 두 단계로 나눠왔다. 먼저 경계 탐지기(edge detector) 또는 머신러닝 분류기를 사용해 신경돌기의 경계를 파악한 다음, 워터쉐드(watershed)나 그래프 컷(graph cut)과 같은 알고리듬을 사용해 경계에 의해 분리되지 않은 이미지 픽셀을 그룹화하는 것이다. 2015년 구글에서는 순환신경망을 기반으로 이러한 두 단계를 하나로 합친 새로운 접근방식을 실험하기 시작했다. 알고리듬이 특정 픽셀 위치에 시드되면 이 알고리듬은 어떤 픽셀이 시드와 동일한 개체의 일부인지 예측하는 순환형 컨볼루셔널 신경망 (CNN)을 사용해 반복적으로 영역을 ‘채우게’된다. 2015년부터 구글은 대규모 연결체학 연구 데이터셋에 이러한 새로운 접근방식을 적용해 정확도를 엄격하게 수치화하기 위해 노력해 왔다.
예상 실행 길이를 통한 정확도 측정
구글은 막스 플랑크 연구소의 연구진과 함께 연구를 진행하면서 '예상 실행 길이(ERL)'라는 메트릭을 개발했다. ERL은 뇌의 3D 이미지에 포함되어 있는 임의의 뉴런에서 무작위로 어떤 지점이 주어졌을 때 실수가 발생하기 전에 뉴런을 어디까지 추적할 수 있을지를 측정한다. 이 경우, 실패가 발생한 후 그 다음 실패가 발생하기까지의 시간이 아닌 그 사이 공간의 크기를 측정한다는 점만 제외하면, ERL은 MTBF (mean-time-between-failure, 평균 고장 간격) 메트릭의 한 예시로 볼 수 있다. 엔지니어에게 ERL의 매력은 선형의 물리적인 경로 길이를 알고리듬에 의해 생성된 각 실수의 빈도와 연관 지을 수 있고, 직관적인 방식으로 이를 계산할 수 있다는 점이다. ERL의 특정 수치는 신경계의 서로 다른 부분에 있는 뉴런의 평균 경로 길이와 같은 생물학적으로 유의미한 양과 관련될 수 있다.
명금류 연결체학
구글 공동 연구진은 시리얼 블록 페이스 스캐닝 전자 현미경을 사용해 제작한 1백만 입방 미크론의 금화조 뇌 이미지에 나타난 뉴런 집합을 검증 자료로 삼아 ERL을 사용해 연구 성과를 측정했다. 그 결과 동일한 데이터셋에 적용된 기존 딥러닝 파이프라인에 비해 새로운 접근방식이 훨씬 우수한 성과를 보여준다는 사실을 확인했다.
구글은 새로운 플러드 필링 네트워크 접근방식을 사용, 금화조 뇌의 작은 부분에 있는 모든 뉴런을 세분화했다. 영상을 통해 자세히 확인할 수 있다.*영상 출처: Google AI Blog ‘Improving Connectomics by an Order of Magnitude’
다음 단계
구글은 시냅스 해상도의 연결체학 연구를 완전히 자동화하고, 막스 플랑크 연구소 및 다른 기관에서 진행되고 있는 연결체학 관련 프로젝트에도 기여하는 것을 목표로 연결체 재구성 기술을 지속적으로 개선할 것이다. 또한, 구글은 연결체학 기법을 개발하고 있는 더 많은 연구자들을 돕고자 플러드 필링 네트워크 접근방식에 사용한 텐서플로 코드를 오픈소스로 공개, 재구성 결과를 이해하고 개선하기 위해 개발한 3D 데이터셋용 WebGL 시각화 소프트웨어도 공개했다.
# 작성자: 바이렌 자인, 구글 리서치 사이언티스트 및 테크니컬 리드 & 마이클 자누제브스키, 구글 커넥토믹스 소프트웨어 엔지니어
# 연구진 : 구글 팀 블레이클리(Tim Blakely), 피터 리(Peter Li), 래리 린지(Larry Lindsey), 제레미 메이틴-셰퍼드(Jeremy Maitin-Shepard), 아트 포프( Art Pope), 마이크 티카(Mike Tyka) 그리고 막스 플랑크 연구소의 외르겐 콘펠드(Joergen Kornfeld), 빈프리트 뎅크(Winfried Denk)