L’algorithme – Regularised, Accelerated, Linear Fascicle Evaluation, ou ReAl-LiFE – peut analyser rapidement d’énormes quantités de données générées à partir d’imagerie par résonance magnétique (dMRI) de diffusion du cerveau, a déclaré IISc, ajoutant qu’en utilisant cela, l’équipe a évalué les données dMRI plus de 150 fois plus rapide que les algorithmes de pointe existants.
« Les tâches qui prenaient auparavant des heures ou des jours peuvent être accomplies en quelques secondes à quelques minutes », explique Devarajan. Sridharanprofesseur agrégé au Centre de neurosciences de l’IISc (SNC), et auteur correspondant de l’étude publiée dans Science computationnelle de la nature.
Une déclaration de l’IIsc disait: Des millions de neurones s’activent dans le cerveau chaque seconde, générant des impulsions électriques voyageant à travers les réseaux neuronaux d’un point du cerveau à un autre via des câbles de connexion ou «axones», qui sont essentiels pour les calculs effectués par le cerveau.
Alors que la compréhension de la connectivité cérébrale est essentielle pour découvrir les relations cerveau-comportement à grande échelle, les approches conventionnelles utilisent généralement des modèles animaux et sont invasives, Varsha Sreenivasandoctorant au CNS et premier auteur de l’étude a déclaré, ajoutant que « les scans IRMd, d’autre part, fournissent une méthode non invasive pour étudier la connectivité cérébrale chez l’homme ».
Déclarant que les axones sont les autoroutes de l’information du cerveau, IISc ajoute que parce que les faisceaux d’axones ont la forme de tubes, les molécules d’eau se déplacent à travers eux, sur leur longueur, de manière dirigée.
« …dMRI permet aux scientifiques de suivre ce mouvement pour créer une carte complète du réseau de fibres à travers le cerveau, appelée connectome. Malheureusement, il n’est pas simple d’identifier les connectomes. Les données obtenues à partir des scans ne fournissent que le flux net de molécules d’eau à chaque point du cerveau », a déclaré l’IISc.
Imaginez que les molécules d’eau soient des voitures, dit Sridharan, ajoutant : « Les informations obtenues sont la direction et la vitesse des véhicules à chaque point de l’espace et du temps sans aucune information sur les routes. Notre tâche est similaire à la déduction de réseaux de routes en observant les modèles de trafic. »
Pour identifier ces réseaux avec précision, les algorithmes conventionnels correspondent étroitement aux signaux dMRI prédits du connectome déduit avec les signaux dMRI observés. Les scientifiques avaient précédemment développé un algorithme appelé LiFE (Linear Fascicle Evaluation) pour cela, mais l’un de ses défis était qu’il fonctionnait sur des unités centrales de traitement (CPU) traditionnelles, ce qui rendait les calculs chronophages.
Maintenant, l’équipe de Sridharan a peaufiné l’algorithme pour réduire l’effort de calcul impliqué de plusieurs manières, notamment en supprimant les connexions redondantes, améliorant ainsi les performances de LiFE.
« Pour accélérer encore l’algorithme, ils l’ont également repensé pour qu’il fonctionne sur des puces électroniques spécialisées – du type des ordinateurs de jeu haut de gamme – appelées GPU, qui ont permis d’analyser les données à des vitesses 100 à 150 fois plus rapides », a déclaré IISc.
ReAl-LiFE était également capable de prédire comment un sujet de test humain se comporterait ou ferait une tâche spécifique. L’équipe a pu expliquer les variations des résultats des tests comportementaux et cognitifs chez 200 participants.
IISc a affirmé qu’une telle analyse peut également avoir des applications médicales, tandis que Sreenivasan a déclaré: « Le traitement des données à grande échelle devient de plus en plus nécessaire pour les applications de neurosciences à grande échelle, en particulier pour comprendre la fonction cérébrale saine et la pathologie cérébrale. »
Par exemple, l’équipe espère identifier les premiers signes de vieillissement ou de détérioration des fonctions cérébrales avant qu’ils ne se manifestent sur le plan comportemental chez les patients atteints de la maladie d’Alzheimer.
« Dans une autre étude, nous avons constaté qu’une version précédente de ReAL-LiFE pouvait faire mieux que d’autres algorithmes concurrents pour distinguer les patients atteints de la maladie d’Alzheimer des témoins sains », explique Sridharan.
Il ajoute que leur implémentation basée sur GPU est très générale et peut également être utilisée pour résoudre des problèmes d’optimisation dans de nombreux autres domaines.
