CN108053391B - 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 PDF

Info

Publication number
CN108053391B
CN108053391B CN201711186185.XA CN201711186185A CN108053391B CN 108053391 B CN108053391 B CN 108053391B CN 201711186185 A CN201711186185 A CN 201711186185A CN 108053391 B CN108053391 B CN 108053391B
Authority
CN
China
Prior art keywords
neuron
target branch
image
reconstruction
branch
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.)
Active
Application number
CN201711186185.XA
Other languages
English (en)
Other versions
CN108053391A (zh
Inventor
全廷伟
曾绍群
周航
李诗玮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN201711186185.XA priority Critical patent/CN108053391B/zh
Publication of CN108053391A publication Critical patent/CN108053391A/zh
Application granted granted Critical
Publication of CN108053391B publication Critical patent/CN108053391B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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

一种识别神经元重建错误的方法
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 (5)

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，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；
(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。
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。
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为7像素个数。
CN201711186185.XA 2017-11-22 2017-11-22 一种识别神经元重建错误的方法 Active CN108053391B (zh)

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 CN108053391A (zh) 2018-05-18
CN108053391B true 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)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109948793B (zh) * 2019-01-31 2020-10-30 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
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
CN110163925B (zh) * 2019-04-04 2021-01-05 华中科技大学 一种长程投射神经元的可视化方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
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
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

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7145032B2 (en) * 2002-02-23 2006-12-05 Washington University Therapeutic malonic acid/acetic acid C60 tri-adducts of buckminsterfullerene and methods related thereto

Patent Citations (4)

* Cited by examiner, † Cited by third party
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
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)

* Cited by examiner, † Cited by third party
Title
Automated neuron morphology reconstruction using fuzzy-logic detection and Bayesian tracing algorithms;Miroslav Radojevié etc.;《2015 IEEE 12th International Symposium on Biomedical Imaging (ISBI)》;20150419;全文 *
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》.2017,第47卷(第10期), *

Also Published As

Publication number Publication date
CN108053391A (zh) 2018-05-18

Similar Documents

Publication Publication Date Title
CN108053391B (zh) 一种识别神经元重建错误的方法
CN112016401B (zh) 基于跨模态行人重识别方法及装置
Eltzner et al. The filament sensor for near real-time detection of cytoskeletal fiber structures
Wang et al. Image segmentation and dynamic lineage analysis in single‐cell fluorescence microscopy
Türetken et al. Reconstructing curvilinear networks using path classifiers and integer programming
CN109583324A (zh) 一种基于单点多盒检测器的指针仪表读数自动识别方法
CN108109133B (zh) 一种基于数字图像处理技术的蚕卵自动计数方法
CN110647875A (zh) 一种血细胞分割、识别模型构造的方法及血细胞识别方法
CN104867137A (zh) 一种基于改进ransac算法的图像配准方法
CN111768498A (zh) 基于稠密语义三维地图与混合特征的视觉定位方法、系统
Wang et al. Automated functional analysis of astrocytes from chronic time-lapse calcium imaging data
CN112016311A (zh) 基于深度学习模型的实体识别方法、装置、设备及介质
Li et al. Optimization of traced neuron skeleton using lasso-based model
CN114091545A (zh) 基于深度残差收缩网络的辐射源个体识别方法及装置
Jenifa et al. Classification of cotton leaf disease using multi-support vector machine
Xiao et al. Retinal image registration and comparison for clinical decision support
Madessa et al. A deep learning approach for specular highlight removal from transmissive materials
CN113177957B (zh) 一种细胞图像的分割方法、装置、电子设备及存储介质
Ledderose et al. A software tool for the analysis of neuronal morphology data
CN109508714A (zh) 一种低成本多通道实时数字仪表盘视觉识别方法及系统
Andrés-San Román et al. CartoCell, a high-content pipeline for 3D image analysis, unveils cell morphology patterns in epithelia
CN115701868B (zh) 一种适用多种视觉任务的领域自适应增强方法
CN110276333A (zh) 眼底身份识别模型训练方法、眼底身份识别方法和设备
Shen et al. Efficient 3D junction detection in biomedical images based on a circular sampling model and reverse mapping
CN110941994B (zh) 一种基于元类基学习器的行人重识别集成方法

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