在规模上的GPU加速连接体发现
Varsha Sreenivasan1, Sawan Kumar2, Franco Pestilli3
1Centre for Neuroscience, Indian Institute of Science, Bangalore, India. varshas@iisc.ac.in.
Nature computational science
|January 4, 2024
概括
我们开发了ReAl-LiFE,这是一种基于GPU的更快的方法,可以使用扩散MRI绘制大脑连接的地图. 这种工具可以提高大规模大脑连接组研究的准确性和可靠性.
科学领域:
- 神经成像是一种神经成像.
- 计算神经科学是一种神经科学.
- 生物物理学的生物物理.
背景情况:
- 扩散核磁共振成像和通道图在体内估计人类大脑的连接性.
- 轨道图算法算法各不相同,在没有验证的情况下产生不一致的结果.
- 精简修剪提高了准确性,但在计算上是密集的,限制了大数据应用.
研究的目的:
- 介绍ReAl-LiFE,一个GPU加速的精简修剪算法,用于增强大脑连接组估计.
- 克服大规模神经成像现有方法的计算局限性.
- 提高 in vivo 大脑连接映射的准确性,可靠性和可扩展性.
主要方法:
- 开发了一种基于GPU的LiFE (线性束评估) 简化修剪算法,命名为ReAl-LiFE.
- 与以前的基于CPU的实现相比,实现了100倍以上的速度.
- 应用ReAl-LiFE来产生更稀疏,更准确和高度可靠的大脑连接体.
主要成果:
- 在估计大脑连接方面,ReAl-LiFE表现出卓越的测试-重试可靠性.
- 这种方法在准确性和效率方面超过了竞争对手的曲谱学方法.
- 来自ReAl-LiFE的Connectome特征预测了个人间的认知变异.
结论:
- ReAl-LiFE为准确,大规模,个性化的大脑连接体发现提供了重大进展.
- 用GPU加速的方法克服了以前在精简修剪中的计算瓶.
- 底层的非负最小平方优化在很大程度上适用于其他计算问题.
