CN108053391A - 一种识别神经元重建错误的方法 - Google Patents
一种识别神经元重建错误的方法 Download PDFInfo
- Publication number
- CN108053391A CN108053391A CN201711186185.XA CN201711186185A CN108053391A CN 108053391 A CN108053391 A CN 108053391A CN 201711186185 A CN201711186185 A CN 201711186185A CN 108053391 A CN108053391 A CN 108053391A
- Authority
- CN
- China
- Prior art keywords
- neuron
- branch
- range
- intended branch
- intended
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种识别神经元重建错误的方法,包括根据原始图像进行神经元重建,得到神经元重建结果和神经图像;对神经元重建结果进行标记,得到神经图像中每个神经纤维的层序号和分支序号,指定神经元重建结果中任意分支作为目标分支,获取目标分支的层序号和分支序号;利用目标分支的层序号和分支序号,从神经元重建结果中获取目标分支范围内的重建结果,神经图像中以目标分支为中心,半径大于R的像素点灰度值设为0,神经图像中以目标分支为中心,半径小于等于R的部分为目标分支范围内神经图像;当目标分支范围内的重建结果与目标分支范围内神经图像不匹配,目标分支范围内神经元重建错误。本发明能快速且有效识别复杂神经图像的重建错误。
Description
技术领域
本发明属于生物医学光学图像处理领域,更具体地,涉及一种识别神经元重建错误的方法。
背景技术
神经元形态重建是指从神经图像中获取神经元形态的量化数据,具体为追踪出属于单个神经元的神经纤维,并给出神经纤维之间的拓扑关系。神经元形态重建是连接神经图像数据和神经科学新知识发现的桥梁,具有十分重要的研究意义,同时又极具挑战性。现有的自动方法,甚至手动方法都无法一次性获得神经元形态的准确重建结果。准确获取神经元形态重建结果的前提是需要人眼对重建结果进行反复地检查和修订,不断识别并修正神经元形态重建中的错误。
神经元形态重建错误可分为两种情形:一种情形是该神经元重建结果包括其它神经元的部分纤维;另外一种情形是该神经元重建结果丢失掉了属于它自己的神经纤维。目前已有自动方法用于识别神经元形态重建错误,能提升重建结果的准确性。自动方法对于复杂神经图像,提升效果有限。手工检测方法,能够保证重建结果准确性,但是,因其它神经纤维干扰,发现重建错误极度困难且耗时。
由此可见,现有技术存在无法有效识别复杂神经图像的重建错误、识别准确度低、识别速度慢的技术问题。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种识别神经元重建错误的方法,由此解决现有技术存在无法有效识别复杂神经图像的重建错误、识别准确度低、识别速度慢的技术问题。
为实现上述目的,按照本发明的一个方面,提供了一种识别神经元重建错误的方法,包括:
(1)获取原始图像,根据原始图像进行神经元重建,得到神经元重建结果和神经图像;
(2)对神经元重建结果进行标记,得到神经图像中每个神经纤维的层序号和分支序号,指定神经元重建结果中任意分支作为目标分支,获取目标分支的层序号和分支序号;
(3)利用目标分支的层序号和分支序号,从神经元重建结果中获取目标分支范围内的重建结果,神经图像中以目标分支为中心,半径大于R的像素点灰度值设置为0,神经图像中以目标分支为中心,半径小于等于R的部分为目标分支范围内神经图像;
(4)当目标分支范围内的重建结果与目标分支范围内神经图像重合,目标分支范围内神经元重建正确,否则,目标分支范围内神经元重建错误。
进一步的,原始图像为管状生物医学图像或柱状生物医学图像。
进一步的,神经元重建结果由数据结构表示,数据结构为二叉树、多叉树、红黑树、数组或者散列表。
进一步的,步骤(3)的具体实现方式为:
利用目标分支的层序号和分支序号,从神经元重建结果中获取目标分支范围内的重建结果,神经图像中以目标分支为中心,半径大于R的像素点灰度值设置为0,以目标分支中神经纤维的每个骨架点为中心,在半径小于等于R的部分,从神经图像中依次挖取邻域区域;然后将挖取的邻域区域叠加,得到目标分支范围内神经图像。R的取值范围为7像素个数-30像素个数。优选的,R为7像素个数,此时滤除效果更好。
进一步的,步骤(4)的具体实现方式为:
当目标分支范围内的重建结果中的每条神经纤维与目标分支范围内神经图像中的每条神经纤维均重合,目标分支范围内神经元重建正确,否则,目标分支范围内的重建结果与目标分支范围内神经图像不匹配,目标分支范围内神经元重建错误。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,能够取得下列有益效果:
(1)本发明利用神经元重建结果可转化为数据结构这一性质,有选择性地显示目标分支范围内神经图像,同时,神经图像中以目标分支为中心,半径大于R的像素点灰度值设置为0,从而过滤掉其它不相关神经纤维信号的干扰。本发明在复杂的神经图像中,为快速发现和定位神经元重建错误提供关键支撑,将在复杂的神经元干扰的环境中,为神经元形态准确重建提供保证。
(2)本发明有效识别复杂神经图像的重建错误、识别准确度高、识别速度快,有效去除密集神经元图像的干扰,而且特别适用于识别密集神经元的重建错误。
(3)本发明神经元重建结果由数据结构表示,数据结构为二叉树、多叉树、红黑树、数组或者散列表。由此实现了神经元重建结果的可视化,将在复杂的神经元干扰的环境中,为神经元形态准确重建提供保证。
附图说明
图1是本发明实施例提供的一种识别神经元重建错误的方法的流程图;
图2是本发明实施例1提供的神经元重建结果;
图3是本发明实施例1提供的目标分支范围内神经图像;
图4是本发明实施例1提供的识别结果。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1所示,一种识别神经元重建错误的方法,包括:
(1)获取原始图像,根据原始图像进行神经元重建,得到神经元重建结果和神经图像;原始图像为管状生物医学图像或柱状生物医学图像。神经元重建结果由数据结构表示,数据结构为二叉树、多叉树、红黑树、数组或者散列表。
(2)对神经元重建结果进行标记,得到神经图像中每个神经纤维的层序号和分支序号,指定神经元重建结果中任意分支作为目标分支,获取目标分支的层序号和分支序号;
(3)利用目标分支的层序号和分支序号,从神经元重建结果中获取目标分支范围内的重建结果,神经图像中以目标分支为中心,半径大于R的像素点灰度值设置为0,以目标分支中神经纤维的每个骨架点为中心,在半径小于等于R的部分,从神经图像中依次挖取邻域区域;然后将挖取的邻域区域叠加,得到目标分支范围内神经图像。R的取值范围为7像素个数-30像素个数。R具体的取值取决于图像中管状结构的密集程度,越密集的图像,R的取值范围相对小,优选的,R为7像素个数。此时滤除效果更好。
(4)当目标分支范围内的重建结果中的每条神经纤维与目标分支范围内神经图像中的每条神经纤维均重合,目标分支范围内神经元重建正确,否则,目标分支范围内的重建结果与目标分支范围内神经图像不匹配,目标分支范围内神经元重建错误,目标分支范围内神经元重建错误时,对目标分支范围内的重建结果进行修订。
实施例1
一种识别神经元重建错误的方法,包括:
(1)获取原始图像,根据原始图像进行神经元重建,得到神经元重建结果和神经图像;原始图像为管状生物医学图像。神经元重建结果由数据结构表示,数据结构为多叉树,如图2所示。
(2)对神经元重建结果进行标记,得到神经图像中每个神经纤维的层序号和分支序号,指定神经元重建结果中任意分支作为目标分支,获取目标分支的层序号和分支序号;
(3)利用目标分支的层序号和分支序号,从神经元重建结果中获取目标分支范围内的重建结果,设L1,L2...Ln是L的元素,代表目标分支的层序号,获取多叉树中L1层中分支序号为B的分叉集合B1,并在L2~Ln中找到与B1连接的分叉集合B2,...Bn,将B1,B2,...Bn合并为目标分叉集合Ba;Ba为目标分支范围内的重建结果。
神经图像中以目标分支为中心,半径大于R的像素点灰度值设置为0,以目标分支中神经纤维的每个骨架点为中心,在半径小于等于R的部分,R为7像素个数。从神经图像中依次挖取邻域区域;然后将挖取的邻域区域叠加,得到目标分支范围内神经图像,如图3所示。
(4)当目标分支范围内的重建结果中的每条神经纤维与目标分支范围内神经图像中的每条神经纤维均重合,目标分支范围内神经元重建正确,否则,目标分支范围内的重建结果与目标分支范围内神经图像不匹配,目标分支范围内神经元重建错误,如图4所示。目标分支范围内神经元重建错误时,对目标分支范围内的重建结果进行修订。
本发明利用神经元重建结果可转化为数据结构这一性质,有选择性地显示目标分支范围内神经图像,同时,神经图像中以目标分支为中心,半径大于R的像素点灰度值设置为0,从而过滤掉其它不相关神经纤维信号的干扰。本发明在复杂的神经图像中,为快速发现和定位神经元重建错误提供关键支撑,将在复杂的神经元干扰的环境中,为神经元形态准确重建提供保证。本发明神经元重建结果由数据结构表示,数据结构为二叉树、多叉树、红黑树、数组或者散列表。由此实现了神经元重建结果的可视化,将在复杂的神经元干扰的环境中,为神经元形态准确重建提供保证。本发明有效识别复杂神经图像的重建错误、识别准确度高、识别速度快,有效去除密集神经元图像的干扰,而且特别适用于识别密集神经元的重建错误。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种识别神经元重建错误的方法,其特征在于,包括:
(1)获取原始图像,根据原始图像进行神经元重建,得到神经元重建结果和神经图像;
(2)对神经元重建结果进行标记,得到神经图像中每个神经纤维的层序号和分支序号,指定神经元重建结果中任意分支作为目标分支,获取目标分支的层序号和分支序号;
(3)利用目标分支的层序号和分支序号,从神经元重建结果中获取目标分支范围内的重建结果,神经图像中以目标分支为中心,半径大于R的像素点灰度值设置为0,神经图像中以目标分支为中心,半径小于等于R的部分为目标分支范围内神经图像;
(4)当目标分支范围内的重建结果与目标分支范围内神经图像重合,目标分支范围内神经元重建正确,否则,目标分支范围内神经元重建错误。
2.如权利要求1所述的一种识别神经元重建错误的方法,其特征在于,所述原始图像为管状生物医学图像或柱状生物医学图像。
3.如权利要求1或2所述的一种识别神经元重建错误的方法,其特征在于,所述神经元重建结果由数据结构表示,数据结构为二叉树、多叉树、红黑树、数组或者散列表。
4.如权利要求1或2所述的一种识别神经元重建错误的方法,其特征在于,所述步骤(3)的具体实现方式为:
利用目标分支的层序号和分支序号,从神经元重建结果中获取目标分支范围内的重建结果,神经图像中以目标分支为中心,半径大于R的像素点灰度值设置为0,以目标分支中神经纤维的每个骨架点为中心,在半径小于等于R的部分,从神经图像中依次挖取邻域区域;然后将挖取的邻域区域叠加,得到目标分支范围内神经图像。
5.如权利要求4所述的一种识别神经元重建错误的方法,其特征在于,所述R的取值范围为7像素个数-30像素个数。
6.如权利要求5所述的一种识别神经元重建错误的方法,其特征在于,所述R为7像素个数。
7.如权利要求1或2所述的一种识别神经元重建错误的方法,其特征在于,所述步骤(4)的具体实现方式为:
当目标分支范围内的重建结果中的每条神经纤维与目标分支范围内神经图像中的每条神经纤维均重合,目标分支范围内神经元重建正确,否则,目标分支范围内的重建结果与目标分支范围内神经图像不匹配,目标分支范围内神经元重建错误。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711186185.XA CN108053391B (zh) | 2017-11-22 | 2017-11-22 | 一种识别神经元重建错误的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711186185.XA CN108053391B (zh) | 2017-11-22 | 2017-11-22 | 一种识别神经元重建错误的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108053391A true CN108053391A (zh) | 2018-05-18 |
CN108053391B CN108053391B (zh) | 2020-06-23 |
Family
ID=62119049
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711186185.XA Active CN108053391B (zh) | 2017-11-22 | 2017-11-22 | 一种识别神经元重建错误的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108053391B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109948793A (zh) * | 2019-01-31 | 2019-06-28 | 华中科技大学 | 一种神经元骨架分叉点的校正方法及神经元形态重建方法 |
CN110163925A (zh) * | 2019-04-04 | 2019-08-23 | 华中科技大学 | 一种长程投射神经元的可视化方法及装置 |
CN110197114A (zh) * | 2019-04-04 | 2019-09-03 | 华中科技大学 | 一种全脑范围单神经元轴突突触结的自动识别方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6181134B1 (en) * | 1998-03-09 | 2001-01-30 | The Mclean Hospital Corporation | Magnetic resonance imaging of the distribution of a marker compound without obtaining spectral information |
US20070106087A1 (en) * | 2002-02-23 | 2007-05-10 | Washington University | Therapeutic Malonic Acid/Acetic Acid C60 Tri-Adducts of Buckminsterfullerene and Methods Related Thereto |
CN102142136A (zh) * | 2011-03-05 | 2011-08-03 | 河海大学常州校区 | 基于神经网络的声纳图像的超分辨率重建方法 |
CN103366180A (zh) * | 2013-06-14 | 2013-10-23 | 山东大学 | 一种基于自动特征学习的细胞图像分割方法 |
CN104636753A (zh) * | 2015-02-04 | 2015-05-20 | 哈尔滨工程大学 | 一种基于pcnn神经元激活率和群离散度的区域特征提取方法 |
-
2017
- 2017-11-22 CN CN201711186185.XA patent/CN108053391B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6181134B1 (en) * | 1998-03-09 | 2001-01-30 | The Mclean Hospital Corporation | Magnetic resonance imaging of the distribution of a marker compound without obtaining spectral information |
US20070106087A1 (en) * | 2002-02-23 | 2007-05-10 | Washington University | Therapeutic Malonic Acid/Acetic Acid C60 Tri-Adducts of Buckminsterfullerene and Methods Related Thereto |
CN102142136A (zh) * | 2011-03-05 | 2011-08-03 | 河海大学常州校区 | 基于神经网络的声纳图像的超分辨率重建方法 |
CN103366180A (zh) * | 2013-06-14 | 2013-10-23 | 山东大学 | 一种基于自动特征学习的细胞图像分割方法 |
CN104636753A (zh) * | 2015-02-04 | 2015-05-20 | 哈尔滨工程大学 | 一种基于pcnn神经元激活率和群离散度的区域特征提取方法 |
Non-Patent Citations (2)
Title |
---|
MIROSLAV RADOJEVIÉ ETC.: "Automated neuron morphology reconstruction using fuzzy-logic detection and Bayesian tracing algorithms", 《2015 IEEE 12TH INTERNATIONAL SYMPOSIUM ON BIOMEDICAL IMAGING (ISBI)》 * |
骆清铭: "脑空间信息学——连接脑科学与类脑人工智能的桥梁", 《中国科学:生命科学》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109948793A (zh) * | 2019-01-31 | 2019-06-28 | 华中科技大学 | 一种神经元骨架分叉点的校正方法及神经元形态重建方法 |
CN110163925A (zh) * | 2019-04-04 | 2019-08-23 | 华中科技大学 | 一种长程投射神经元的可视化方法及装置 |
CN110197114A (zh) * | 2019-04-04 | 2019-09-03 | 华中科技大学 | 一种全脑范围单神经元轴突突触结的自动识别方法及装置 |
CN110197114B (zh) * | 2019-04-04 | 2021-06-29 | 华中科技大学 | 一种全脑范围单神经元轴突突触结的自动识别方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN108053391B (zh) | 2020-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yeh | Shape analysis of the human association pathways | |
CN108053391A (zh) | 一种识别神经元重建错误的方法 | |
Ziv et al. | Long-term dynamics of CA1 hippocampal place codes | |
Tettamanti et al. | Syntax without language: Neurobiological evidence for cross-domain syntactic computations | |
CN111815754B (zh) | 一种三维信息确定方法、三维信息确定装置及终端设备 | |
CN110310229A (zh) | 图像处理方法、图像处理装置、终端设备及可读存储介质 | |
WO2021095991A1 (ko) | 불량 이미지 생성 장치 및 방법 | |
CN111415312B (zh) | 共聚焦内窥镜图像处理方法、系统和计算机设备 | |
CN110473176B (zh) | 图像处理方法及装置、眼底图像处理方法、电子设备 | |
CN114240883B (zh) | 一种染色体图像处理方法及系统 | |
CN103340600A (zh) | 监护仪上波形失真处理方法及处理系统 | |
CN107133266A (zh) | 视频镜头类别的检测方法及装置和数据库更新方法及装置 | |
JP2021511126A (ja) | リハビリテーションエクササイズ信号の信号処理方法及びシステム | |
CN115984805B (zh) | 一种数据增强方法、目标检测方法及车辆 | |
CN112686176A (zh) | 目标重识别方法、模型训练方法、装置、设备及存储介质 | |
Gornet et al. | Reconstructing neuronal anatomy from whole-brain images | |
CN205835343U (zh) | 一种具有监考功能的机器人 | |
CN107688807B (zh) | 图像处理方法及图像处理装置 | |
US20160320603A1 (en) | Method for generating a contrast image of an object structure and apparatuses relating thereto | |
CN112861663A (zh) | 一种基于语义分割的家禽姿态监测方法和系统 | |
CN110363752A (zh) | 一种成衣材质缺陷模拟生成方法、计算机可读介质及系统 | |
CN107153834B (zh) | 图像识别光斑处理方法及装置 | |
Fernandez et al. | Calibration of incoherent optical fiber bundles for image transmission. Fibers detection process | |
CN110288565A (zh) | 碳纤维复合芯导线的缺陷识别方法、装置及存储介质 | |
CN113792104B (zh) | 基于人工智能的医疗数据错误检测方法、装置及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |