將新技術(shù)應(yīng)用于研究古代歷史，研究人員希望通過一種新的人工智能算法擴(kuò)大對恐龍的了解。這項(xiàng)研究發(fā)表在 地球科學(xué)前沿 上，使用高分辨率計算機(jī)斷層掃描（ CT ）成像結(jié)合深度學(xué)習(xí)模型來掃描和評估恐龍化石。這項(xiàng)研究是朝著創(chuàng)造一種新工具邁出的一步，這種工具將極大地改變古生物學(xué)家研究古代遺跡的方式。

“計算機(jī)斷層掃描以及其他成像技術(shù)已經(jīng)揭示了化石中以前隱藏的結(jié)構(gòu)，但高分辨率圖像需要古生物學(xué)家花費(fèi)數(shù)周甚至數(shù)月的時間進(jìn)行后期處理，通常是從巖石基質(zhì)中分割化石。人工智能的引入不僅可以加快化石研究中的數(shù)據(jù)處理，而且還可以提高化石研究的效率?！?ut 還為更客觀、更具重現(xiàn)性的研究建立了基準(zhǔn)，”主要作者、美國自然歷史博物館理查德·吉爾德研究生院博士生余聰宇說。

為了全面了解古代脊椎動物，古生物學(xué)家關(guān)注內(nèi)部解剖學(xué)，如顱骨容量、內(nèi)耳或血管空間。為此，研究人員使用了一種稱為薄切片的技術(shù)。從化石上取下一小塊（薄到幾微米），在顯微鏡下檢查，并注釋他們發(fā)現(xiàn)的結(jié)構(gòu)，有助于他們拼湊恐龍的形態(tài)。然而，這項(xiàng)技術(shù)對遺體具有破壞性，而且非常耗時。

計算機(jī)斷層掃描（ CT ）使科學(xué)家能夠在保持化石完好無損的同時觀察樣本內(nèi)部。這項(xiàng)技術(shù)實(shí)質(zhì)上是對一塊化石進(jìn)行檢查，捕捉到數(shù)千張化石的圖像。然后，軟件重建圖像并生成三維圖形，從而生成樣本的內(nèi)部快照。然后，科學(xué)家可以檢查并標(biāo)記圖形中可識別的形態(tài)，以了解更多關(guān)于標(biāo)本的信息。

成像技術(shù)為科學(xué)家提供了一種工具，可以揭示隱藏的內(nèi)部結(jié)構(gòu)，并推進(jìn)恐龍的 3D 模型。研究幫助研究人員估計體重，分析頭骨，甚至了解牙齒形態(tài)和牙齒替換模式。

然而，通過這種方法，科學(xué)家仍然可以手動選擇片段、檢查和標(biāo)記圖像，這不僅是時間密集型的，而且是主觀的，并且可能會引入錯誤。此外，掃描在區(qū)分可能覆蓋化石的巖石和骨骼本身方面存在局限性，因此很難確定巖石的終點(diǎn)和化石的起點(diǎn)。

人工智能已被證明能夠在醫(yī)學(xué)領(lǐng)域快速分割圖像，從識別腦損傷到皮膚癌。研究人員發(fā)現(xiàn)了一個將類似的深度學(xué)習(xí)模型應(yīng)用于 CT 化石圖像的機(jī)會。

他們使用深層神經(jīng)網(wǎng)絡(luò)和 10000 多個對三個保存完好的原角龍胚胎頭骨的注釋 CT 掃描來測試這種新方法。這些化石于 20 世紀(jì) 90 年代從蒙古戈壁沙漠中發(fā)現(xiàn)，它們來自早期有角恐龍，是較知名的三角龍的較小親屬。

該團(tuán)隊(duì)使用一個經(jīng)典的 U-net 深度神經(jīng)網(wǎng)絡(luò)來處理化石分割，教授從化石中識別巖石的算法。改進(jìn)后的 DeepLab v3 +網(wǎng)絡(luò)用于訓(xùn)練特征識別、對 CT 圖像的部分進(jìn)行分類和 3D 渲染。

在 cuDNN 加速 TensorFlow 深度學(xué)習(xí)框架上，使用 7986 張人工注釋的骨結(jié)構(gòu) CT 切片對模型進(jìn)行訓(xùn)練 NVIDIA GeForce RTX 2080 Ti GPU.

通過對 3329 個數(shù)據(jù)集的測試結(jié)果，他們發(fā)現(xiàn)，雖然分割模型達(dá)到了約 97% 的高精度，但 3D 特征渲染并不像人類那樣細(xì)致或準(zhǔn)確。雖然結(jié)果表明，特征模型的表現(xiàn)不如科學(xué)家們準(zhǔn)確，但分割模型工作順利，并在創(chuàng)紀(jì)錄的時間內(nèi)完成。模型在幾秒鐘內(nèi)分割出每一片，在某些情況下，手動分割同一片需要幾分鐘甚至幾小時。這有助于古生物學(xué)家減少將化石與巖石區(qū)分開來的時間。

研究人員認(rèn)為，結(jié)合其他恐龍物種和不同沉積物類型的更大數(shù)據(jù)集有助于創(chuàng)建一個高性能的算法。

??”我們相信，戈壁沙漠化石的分割模型并不遙遠(yuǎn)，但一個更通用的模型不僅需要更多的訓(xùn)練數(shù)據(jù)集，還需要算法創(chuàng)新，” Yu 在 press release 的一篇文章中說?！拔蚁嘈派疃葘W(xué)習(xí)最終能比我們更好地處理圖像，而且已經(jīng)有很多例子表明深度學(xué)習(xí)的表現(xiàn)超過人類，包括 Go playing 和 蛋白質(zhì)三維結(jié)構(gòu)預(yù)測 ?！?/p>

關(guān)于作者

Michelle Horton 是 NVIDIA 的高級開發(fā)人員通信經(jīng)理，擁有通信經(jīng)理和科學(xué)作家的背景。她在 NVIDIA 為開發(fā)者博客撰文，重點(diǎn)介紹了開發(fā)者使用 NVIDIA 技術(shù)的多種方式。

審核編輯：郭婷