基于3D UNet的融合网络，用于在缺少某些模态数据的情况下进行脑肿瘤分割

《Neurocomputing》：A 3D UNet-based fusion network for brain tumor segmentation with missing modalities

大脑皮层兴奋性-抑制性神经元（E/I）的4:1比例通过平衡神经元数量与突触权重，使网络在低能耗下稳定实现间歇性爆发活动，该状态能最大化信息处理容量。本研究采用随机脉冲网络模型，证明当E/I神经元比接近80:20时，网络动态特性对参数变化具有强鲁棒性，且通过增强抑制性突触权重实现结构平衡，揭示该比例在计算效率和稳定性上的双重优化作用。

　　脑神经网络中兴奋性与抑制性神经元的比例是一个引人注目的现象，它在多种哺乳动物、不同的脑层以及发育阶段中都表现出高度的一致性。这种比例通常为4:1，即大约80%的神经元是兴奋性的（谷氨酸能），而20%是抑制性的（GABA能）。这一比例在啮齿类动物、灵长类动物和人类中均存在，并且在感觉皮层、联合区以及海马体等不同脑区中也保持不变。这种结构上的一致性提示我们，这种比例可能是进化过程中保留下来的，意味着它在神经网络的动态行为和信息处理中扮演着关键角色。

尽管这一比例在结构上非常普遍，但其在计算上的意义却仍不清楚。大多数研究关注的是整体的兴奋-抑制平衡，而这种平衡已经被证明可以调节网络的稳定性、防止癫痫样活动，并支持临界状态。然而，很少有理论研究探讨神经元数量的具体比例如何影响动态或计算性能。一些模型假设兴奋与抑制之间存在功能上的对称性，或者直接忽略神经元数量的差异，这种做法虽然简化了问题，但也未能回答一个基本问题：为什么大脑倾向于将兴奋性与抑制性神经元的比例设定为80:20？

近年来，计算研究提出，不同脑层中兴奋-抑制比例的变化可能通过增加神经活动的维度来提高编码能力。然而，这些研究并未深入探讨在生物物理限制下，特定的80:20比例是否具有最优性。因此，理解这一比例的计算优势，不仅有助于揭示大脑结构的演化机制，还可能为神经计算模型的构建提供新的视角。

在本研究中，我们采用了一种基于脉冲的神经网络模型，直接探讨了兴奋性与抑制性神经元比例对网络动态和计算性能的影响。研究结果表明，当兴奋性神经元数量超过抑制性神经元，同时通过增强抑制性突触权重来维持平衡时，网络能够稳定在一个具有有限且低活动水平的动态范围内，从而最大化信息容量。这说明大脑中这种特定的神经元比例并非随机或偶然，而是反映了一种计算设计原则，嵌入在皮层结构之中。

我们进一步探讨了不同兴奋-抑制比例对能量消耗和信息容量的影响。研究发现，当兴奋性神经元数量增加时，网络在保持平衡的同时，能够实现更高效的计算。这种结构上的优势可能源于神经网络在维持稳定活动水平的同时，能够支持更多的信息处理和存储能力。此外，研究还表明，当兴奋性神经元占据主导地位时，网络在平衡状态下表现出更稳定的运行范围，即使输入发生变化，活动水平仍能保持一致，从而增强了网络的可靠性。

为了深入理解这一现象，我们构建了一个基于脉冲的神经网络模型，并对不同比例的网络进行了系统性的分析。在该模型中，神经元之间的连接被表示为一个有向随机图，这种结构能够反映局部脑连接在小空间尺度上的特性。通过改变兴奋性与抑制性神经元的比例，我们观察到网络在不同参数下的动态行为发生了显著变化。特别是在接近80:20的比例时，网络能够稳定在一个具有间歇性、脉冲样活动的动态范围内，这种状态与信息容量的最大化密切相关。

我们的研究还揭示了兴奋性与抑制性神经元比例对网络能量消耗的影响。在保持平衡的前提下，当兴奋性神经元比例较高时，网络的能量消耗较低，同时仍能维持高效的计算性能。这一发现支持了神经元比例的结构优化作用，即它能够通过减少能量成本，同时提供足够的控制力，以维持网络的稳定性和功能性。此外，研究还表明，这种比例可能受到神经网络在结构上的约束，例如连接长度的最小化或空间嵌入的优化。

在探讨神经网络的动态行为时，我们发现，当兴奋性神经元比例较高时，网络能够支持更丰富的间歇性脉冲活动。这种活动模式不仅有助于信息的处理和存储，还可能与大脑在处理复杂信息时所需的灵活性密切相关。此外，研究还表明，这种比例可能通过增强抑制性突触的权重，使网络在面对外部输入时保持较高的敏感性，同时避免饱和状态，从而提高计算的效率和准确性。

本研究的结果为理解大脑结构与信息处理之间的关系提供了新的视角。通过构建和分析基于脉冲的神经网络模型，我们不仅揭示了兴奋-抑制比例对网络动态和计算性能的影响，还提出了一个可能的计算设计原则，即这种比例能够通过优化网络的结构和功能，提高信息处理的效率和灵活性。此外，研究还表明，这种比例可能受到进化压力的影响，使得大脑能够在保持稳定网络动态的同时，实现更高效的计算。

在本研究中，我们还探讨了不同神经元比例对网络信息容量的影响。研究发现，当兴奋性神经元比例较高时，网络能够支持更高的信息容量，这种容量不仅体现在网络的活动模式上，还可能与大脑在处理复杂信息时所需的灵活性密切相关。此外，研究还表明，这种比例可能通过增强抑制性突触的权重，使网络在面对外部输入时保持较高的敏感性，同时避免饱和状态，从而提高计算的效率和准确性。

我们还分析了不同神经元比例对网络能量消耗的影响。研究发现，当兴奋性神经元比例较高时，网络在保持平衡的前提下，能够实现较低的能量消耗，同时仍能维持高效的计算性能。这一发现支持了神经元比例的结构优化作用，即它能够通过减少能量成本，同时提供足够的控制力，以维持网络的稳定性和功能性。此外，研究还表明，这种比例可能受到神经网络在结构上的约束，例如连接长度的最小化或空间嵌入的优化。

在探讨神经网络的动态行为时，我们发现，当兴奋性神经元比例较高时，网络能够支持更丰富的间歇性脉冲活动。这种活动模式不仅有助于信息的处理和存储，还可能与大脑在处理复杂信息时所需的灵活性密切相关。此外，研究还表明，这种比例可能通过增强抑制性突触的权重，使网络在面对外部输入时保持较高的敏感性，同时避免饱和状态，从而提高计算的效率和准确性。

本研究的结果为理解大脑结构与信息处理之间的关系提供了新的视角。通过构建和分析基于脉冲的神经网络模型，我们不仅揭示了兴奋-抑制比例对网络动态和计算性能的影响，还提出了一个可能的计算设计原则，即这种比例能够通过优化网络的结构和功能，提高信息处理的效率和灵活性。此外，研究还表明，这种比例可能受到进化压力的影响，使得大脑能够在保持稳定网络动态的同时，实现更高效的计算。

我们的研究还揭示了兴奋性与抑制性神经元比例对网络能量消耗的影响。研究发现，当兴奋性神经元比例较高时，网络在保持平衡的前提下，能够实现较低的能量消耗，同时仍能维持高效的计算性能。这一发现支持了神经元比例的结构优化作用，即它能够通过减少能量成本，同时提供足够的控制力，以维持网络的稳定和功能性。此外，研究还表明，这种比例可能受到神经网络在结构上的约束，例如连接长度的最小化或空间嵌入的优化。

在探讨神经网络的动态行为时，我们发现，当兴奋性神经元比例较高时，网络能够支持更丰富的间歇性脉冲活动。这种活动模式不仅有助于信息的处理和存储，还可能与大脑在处理复杂信息时所需的灵活性密切相关。此外，研究还表明，这种比例可能通过增强抑制性突触的权重，使网络在面对外部输入时保持较高的敏感性，同时避免饱和状态，从而提高计算的效率和准确性。

我们的研究还揭示了兴奋性与抑制性神经元比例对网络信息容量的影响。研究发现，当兴奋性神经元比例较高时，网络能够支持更高的信息容量，这种容量不仅体现在网络的活动模式上，还可能与大脑在处理复杂信息时所需的灵活性密切相关。此外，研究还表明，这种比例可能通过增强抑制性突触的权重，使网络在面对外部输入时保持较高的敏感性，同时避免饱和状态，从而提高计算的效率和准确性。

在探讨神经网络的动态行为时，我们发现，当兴奋性神经元比例较高时，网络在保持平衡的前提下，能够实现更高效的计算。这种计算效率不仅体现在网络的活动模式上，还可能与大脑在处理复杂信息时所需的灵活性密切相关。此外，研究还表明，这种比例可能通过增强抑制性突触的权重，使网络在面对外部输入时保持较高的敏感性，同时避免饱和状态，从而提高计算的效率和准确性。

综上所述，本研究通过构建和分析基于脉冲的神经网络模型，揭示了兴奋性与抑制性神经元比例对网络动态和计算性能的影响。研究发现，当兴奋性神经元比例较高时，网络能够稳定在一个具有间歇性、脉冲样活动的动态范围内，这种状态与信息容量的最大化密切相关。此外，研究还表明，这种比例可能受到进化压力的影响，使得大脑能够在保持稳定网络动态的同时，实现更高效的计算。这些结果不仅有助于理解大脑结构的演化机制，还可能为神经计算模型的构建提供新的视角。