论文部分内容阅读
神经元形态重建可以从神经图像中获取量化的神经元形态数据,表征神经元的位置分布和拓扑结构,对神经科学的研究具有重要意义。近年来神经标记和成像技术的突破使得全脑尺度的高分辨率神经图像可以高通量获取,但是却缺乏高通量的神经元重建方法,以致于神经元形态重建速度远滞后于神经图像的产生速度,难以满足神经科学需求,因此发展大范围高通量重建算法具有迫切需求。高通量神经元重建需要对大范围多神经元图像进行快速准确重建,目前实现大范围重建结果主要通过分块后串行重建来获得,难以实现高效重建且易产生错误累积效应。因此高通量重建需要实现:1)局部图像块复杂神经元的准确重建;2)大范围神经元的并行化快速重建;3)大范围重建过程中的错误修订机制。本文针对后两个方面,在已有的较为准确的局部重建算法的基础上,发展了局部重建结构的快速准确融合方法,帮助实现并行化大范围快速重建;以及局部大范围树结构分解方法进行初步的错误修订,对形态不合理的树型骨架进行拆分,改善重建结果继而抑制大范围重建的错误累积效应。主要工作如下:(1)提出了基于点集匹配的神经元形状融合方法,能将三维空间中相邻有冗余图像块的纤维形状高效准确地融合为大范围形状,用于实现大范围神经纤维的形状重建。该方法根据冗余区域内相邻形状点集的重合度利用贪心算法和动态形状标记来确定形状配对关系,再对匹配形状点集进行合并。实验结果表明该方法在仿真形状上取得了与金标准一致的融合结果,且在真实形状上取得了平均99.5%的融合准确率,融合时间均在秒到分钟级,证明方法能对纤维形状进行高效准确融合。(2)提出了保拓扑结构的神经元树型骨架拼接方法,能将三维局部树型骨架高效准确地拼接为大范围树型骨架,帮助实现并行化大范围快速骨架重建。该方法将有向树的拼接分解为冗余区域内骨架段的拼接,对相互匹配的冗余骨架段提取潜在连接末端,通过骨架连接配对图搜索潜在连接骨架并确定最优连接关系,最后将全局相连骨架整合为一棵有向树结构。实验结果表明该方法可对金标准骨架进行准确拼接,且在真实骨架上取得了平均98.7%的拼接准确率,拼接时间均在秒级,证明了方法能对树型骨架进行高效准确拼接。(3)发展了基于信息流的神经元树型结构的分解方法,能用于大范围神经元重建时改善局部大范围的重建结果,抑制错误累积效应,帮助实现大范围准确重建。该方法以不含胞体的局部大范围的树型骨架作为输入,首先对树内错误交叉进行拆分,然后结合树结构信息流和神经纤维分叉夹角的形态先验信息,确定树的潜在根节点,并基于信息流最大化对不合理的树结构进行拆分。方法在一个较密集的1486×999×512体素范围内不同尺度的骨架重建结果上进行了测试,结果表明经过分解后再拼接得到的大范围重建结果较直接拼接有明显改善,证明了树结构的分解可以抑制大范围重建时的错误累积效应。