许多人工智能技术都受到神经科学的启发和影响。比如，初代的人工神经网络就是由两位神经科学家沃伦·麦卡洛克和沃尔特·皮茨所提出，起初是作为一种模仿大脑神经元处理信息的数学模型。尽管在近些年中，人工智能和神经科学两个领域分离得越来越远，但不少著名的研究者，如谷歌 Deepmind 的创始人杰米斯·哈萨比斯，认为神经科学的研究会对人工智能的研究有重要的作用。
神经科学和人工智能两个领域的交流不是单向的——除了通过研究神经科学来为设计人工智能算法带来启发，越来越多的研究开始反其道而行之：使用人工智能的算法来帮助神经科学的研究。最近发表在《自然·机器智能》期刊并登上期刊封面的论文《使用深度学习制作大脑地图集》，就是其中的一个例子。
在这篇论文中，研究者们试图解决如下的问题：如何快速、精确地配准大规模的脑成像数据集。现代的脑成像技术，比如磁共振成像技术，能生成大脑的高清晰度图像。高质量的脑成像能极大的帮助神经科学研究。然而，目前神经科学家对脑图像数据的利用往往非常低效。这是因为，一方面脑成像技术的发展加速了脑图像生成的效率，另一方面，对这些大规模的图像数据集进行手工配准往往费时费力，这使得对脑成像数据集的定量分析变得很困难。
为了解决这个问题，来自瑞士苏黎世大学和苏黎世理工的论文作者们提出了一项基于人工神经网络的方法，用以高效地配准脑成像。和普遍采用的手工分割、标注的方法不同，这项方法是自动化的，因此能被用来标注大规模的脑图像数据集。作者们使用了两种不同数据集：一种是艾伦脑研究所提供的标注过的小鼠脑区数据集，另一种是互联网脑分割数据集。在两种数据集上，论文作者们所提出的方法都达到了很高的精度。
作者们认为，他们提出的方法标志着脑成像图片标注技术在思路上的一个转变。
在这项方法提出之前，手动的分割图片往往耗费大量时间，其分割阶段后的标注阶段则耗费大量的计算资源。作者所提出的方法有望激励更多的自动化配准脑成像的方法，并最终取代手工的配准方法。