CN110197114A - 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 - Google Patents

Abstract

本发明公开了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，方法包括对神经元骨架树进行拆分得到多根子段纤维，提取子段纤维的邻域图像信号；对子段纤维的邻域图像信号进行自适应前景分割，定位子段纤维的轴突膨大结构，并融合所有子段纤维上的轴突膨大结构；利用深度卷积网络对轴突膨大结构分类，剔除其中的非轴突突触结的轴突膨大结构得到最终的轴突突触结。装置包括获取模块和分类模块。本发明能够克服轴突突触结形态多样、轴突突触结粘连及虚假轴突突触结干扰等问题带来的识别困难，快速地从全脑神经元形态数据集中识别出单神经所有的轴突突触结，并且在快速处理全脑超大体积数据集的同时保持识别结果的精度。

Description

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

技术领域

本发明属于神经科学图像分析领域，更具体地，涉及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。

背景技术

绘制神经回路图是现代神经科学的核心目标之一，它依赖于全脑范围内单神经元形态的精细重建，包括神经元骨架绘制和突触连接推断。光学显微镜图像下的轴突突触结是一种典型的突触前结构。轴突突触结是神经元的连接点，表明了神经回路是如何连接的，因此识别单神经元轴突突触结对解释神经回路的连接模式至关重要。此外，在单神经元水平上获取的轴突突触结分布模式还可以为定义细胞类型和模拟神经元回路提供更全面、更精细的结构信息。

近年来荧光稀疏标记和大体积精细成像技术的研究使得亚微米分辨率的神经形态全脑数据集的获取成为可能，这些数据包含了单神经元轴突突触结的详细结构信息。单神经元轴突突触结数量较多且分布广泛，所以在全脑数据集中人工识别轴突突触结非常复杂且耗时。尽管许多神经元神态重建的算法和工具被开发，这些算法中大部分能够有效地提取神经元骨架信息，但是不能足够精确地量化轴突突触结形态。

目前存在少数几种从光学显微镜图像中自动识别轴突突触结的方法。一种是提取轴突骨架线上的灰度，使用最大灰度来定位轴突突触结；还有一种是根据Gabor滤波器和支持向量机在局部图像块内检测轴突突触结的自动算法。这些方法的主要原理是使用人工设计的特征来近似识别轴突突触结。然而，这些特征不足以准确地描述复杂的轴突突触结形态，原因是轴突纤维的扭曲和成像质量的限制导致图像中存在很多与轴突突触结相似的轴突膨大结构。在面对单神经元轴突突触结检测任务时，这些方法就存在挑战，具体表现在人工设计的特征无法分辨轴突突触结和非轴突突触结的轴突膨大，并且在不同脑区中单神经元轴突突触结的形状和尺寸是不同的，且轴突突触结之间存在局部重叠，这些特点使得识别轴突突触结更为困难。

发明内容

针对现有技术的缺陷，本发明的目的在于提供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，旨在解决现有技术针对不同脑区轴突突触结形态大小不一、局部重叠和非轴突突触结的轴突膨大的干扰等识别难点。

为实现上述目的，按照本发明的一方面，提供了一种全脑范围单神经元轴突突触结的自动识别方法，包括：

对神经元骨架树进行拆分得到多根子段纤维，提取子段纤维的邻域图像信号；

对子段纤维的邻域图像信号进行自适应前景分割，定位子段纤维上的轴突膨大结构，并融合所有子段纤维上的轴突膨大结构；

结合轴突突触结的形态特点，设计并训练深度卷积网络对初步识别的轴突膨大结构分类，剔除其中的非轴突突触结的轴突膨大结构得到最终的轴突突触结。

优选地，根据人工追踪的神经元骨架树，将神经元骨架树拆分成单根的轴突纤维，然后将每根轴突纤维拆分成等长的若干子段纤维，并提取子段纤维的邻域图像信号，包括：

将神经元骨架树视为一个二叉树结构，二叉树的每个边对应神经元的一根纤维。对单根纤维，计算其长度并按预定的子段纤维长度将其拆分成若干子段纤维。具体设T是神经元骨架树结构，T＝{E₁，E₂，…，E_n}表示将神经元骨架树结构拆成n根纤维。假设第i根纤维E_i的长度为l_i，子段纤维的长度为d，则这根纤维拆分的子段纤维数目m_i＝[l_i/d]，E_i＝{S₁ ⁱ，S₂ ⁱ，…，S_mi ⁱ}表示将一根纤维拆成m_i根子段纤维，其中[]表示向上取整。

被拆分的子段纤维的骨架一般是由一系列折线点组成，为了便于提取其邻域的图像信号，先对其进行等距插值。然后对每个等距插值点提取以该点为中心的球形区域图像信号。所有的球形区域组合在一起形成以骨架为中心线的圆柱体图像信号，即子段纤维的邻域图像信号。具体设S_j ⁱ表示第i根纤维的第j个子段纤维，长度为l，插值点的间距为r，则需要插值的点的数目m＝[l/r]-1，其中[]表示向上取整。插值点的间距为r，设置球的半径为r则所有相邻的球构成一个近似的圆柱体区域。

优选地，对每个子段纤维的邻域图像信号进行自适应的前景分割进一步提取轴突纤维结构，根据下述公式进行二值化：

其中，I表示待二值化的原图像，C表示通过多次平均滤波得到背景图像，thre_binarization是二值化的阈值参数，B表示得到的二值化图像。为了进一步消除得到的二值图像中的噪点，还对二值图像进行形态腐蚀处理，最终得到的二值图像和原图像的逐像素点乘得到分割的轴突纤维结构的图像信号。

优选地，对提取的轴突纤维结构的图像信号使用改进的密度峰聚类算法定位轴突纤维上的轴突膨大结构，包括：

对提取的轴突纤维结构图像计算(ρ,δ)特征空间，在特征空间中搜索密度峰点，即轴突膨大结构的中心点。其中，ρ是图像的局部灰度密度，即局部灰度的高斯加权值；δ是最小距离，指的是当前点到比自己密度大的点构成的点集的最小距离。密度峰的特点是具有较大的局部密度和较大的最小距离。根据这个特点可以从(ρ,δ)特征空间中直观地发现密度峰点。

本发明改进经典的密度峰聚类算法，使之能适用于大体积三维图像。改进包含三点：考虑物体尺度和图像灰度的高斯加权局部密度；局部搜索策略降低算法时间复杂度；设计方法自动地从(ρ,δ)特征空间中发现密度峰点，避免人工直观地判断。

三维图像中每个体素点的局部密度定义如下公式：

其中，ρ_i指体素点p_i的局部密度，I(p_j)指体素点p_j的灰度值，σ和R是高斯核的核宽度和窗口半径(R＝3σ)，||··是向量的2范数，Z是归一化常数。通常σ需要和待识别对象的尺度匹配。

每个体素点的最小距离定义如下：

其中，ρ_i指体素点p_i的局部密度，δ_i指体素点p_i的最小距离，S是局部搜索范围的半径。另外对当前体素点仅在其所属的连通域范围搜索。

假设图像中包含n个体素点，那么计算所有点的最小距离需要的计算量约是O(n²)。对于三维图像而言，n通常在10⁶数量级以上，因此这个计算量非常大。本发明设计的局部搜索策略能有效解决这个问题。局部搜索包括两方面：一是将待聚类的图像拆分成单个的连通域，仅在单个连通域上计算最小距离；二是结合图像中待识别对象的尺度限定搜索范围。这样最小距离的计算量约是O(n)。

密度峰点的特征是具有较大的局部密度ρ和较大的最小距离δ。在(ρ,δ)特征空间中，这些潜在的密度峰点表现为孤立点。原始密度峰聚类算法中，是从(ρ,δ)特征空间中直观地人工挑选出密度峰点。但是大体积三维图像中，可能存在成千上万个待识别对象，不适合人工直观挑选密度峰点。因此，本发明进一步在(ρ,δ)特征空间中定义特征密度Λ，并使用下述公式自动发现密度峰点：

其中，thre_search是一个特征密度阈值，R_min是相邻密度峰的最小距离。通常R_min设置为待识别对象的最小半径。

优选地，依据轴突突触结的形态特点设计和训练一个深度卷积网络，对初步检测到的轴突膨大结构进行是否是轴突突触结的分类，剔除初步检测结果中的非轴突突触结的轴突膨大结构，包括：

本发明在原始的ResNet50卷积神经网络的基础上根据轴突突触结的形态特点，设计了一个卷积网络结构。该网络用于识别初步检测到的轴突膨大结构中的假阳性，即区分非轴突突触结的轴突膨大结构。精确的轴突突触结识别最大的挑战是如何有效刻画轴突突触结形态特征。鉴于全脑数据的亚微米分辨率水平且z方向分辨率低于xy平面，轴突突触结在xy平面的平均半径在2-3体素，在z向只有约1个体素。对于经典分类卷积神经网络而言，轴突突触结的尺度太小。因此，轴突突触结的形态特征在逐渐池化的过程中可能会消失，不能被卷积神经网络充分编码。本发明采用三个策略来解决这个问题：

1、对以初步检测到的轴突膨大结构为中心提取的小块三维图像沿z向作最大投影，降低z向分辨率不够对识别带来的影响；

2、对投影图作4倍上采样；

3、减少原始ResNet50网络中的下采样和池化层，同时减少特征层的数目。

上面这些策略使得小尺度的轴突突触结的形态信息能够被深度卷积网络学习和表征。此外，网络结构中使用了Dropout方法和ReLU激活函数降低过拟合的风险和加速网络收敛。

本发明结合轴突突触结的形态特点，设计了一种数据增强方法用于提高上述卷积神经网络的鲁棒性。具体包括旋转图像，平移图像，缩放图像，变换灰度强度尺度，对图像添加一定强度的高斯、椒盐或者泊松噪声。所述数据增强的具体参数需保证不影响轴突突触结结构的识别。

按照本发明的另一方面，提供了一种全脑范围单神经轴突突触结的自动识别装置，包括：

获取模块，用于基于密度峰聚类算法获取待识别神经元的轴突膨大结构；

分类模块，用于基于深度卷积网络对所述轴突膨大结构进行分类。

优选地，获取模块包括：

提取单元，用于提取包含待识别轴突突触结的图像信号；

定位单元，用于定位所述图像中的轴突膨大结构。

优选地，分类模块包括：

筛选单元，用于剔除轴突膨大结构中的非轴突突触结；

识别单元，用于识别轴突膨大结构中的轴突突触结。

按照本发明的另一方面，提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述的识别方法。

通过本发明所构思的以上技术方案，与现有技术相比，能够取得以下有益效果：

1、针对现有神经元形态重建工具在识别单神经元轴突突触结上遇到的困难，本发明提出了一种全脑范围单神经元轴突突触结自动识别的方法，能够克服轴突突触结形态多样、轴突突触结粘连及虚假轴突突触结干扰等问题带来的识别困难，快速地从全脑神经元形态数据集中识别出单神经所有的轴突突触结；

2、本发明采用的神经元骨架树拆分识别的策略能够在快速处理全脑超大体积数据集的同时保持识别结果的精度；

3、本发明采用了两步识别策略，初次识别包含识别各种程度的轴突膨大结构，二次识别结合轴突突触形态特点设计深度卷积网络来区分轴突突触结和非轴突突触结的轴突膨大结构，进一步从初次识别结果中滤除非轴突突触结的轴突膨大结构。

附图说明

图1是本发明实施例提供的全脑范围单神经元轴突突触结自动识方法的流程示意图；

图2是本发明实施例提供的神经元骨架树的拆分示意图；

图3是本发明实施例提供的提取子段纤维邻域图像的示意图；

图4是本发明实施例提供的分类轴突突触结的深度卷积神经网络模型的结构框图；

图5是本发明实施例提供的应用本发明方法对一个完整锥体神经元轴突突触结的识别结果。

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不构成冲突就可以相互组合。

如图1所示为本发明实施例提供的全脑范围单神经元轴突突触结自动识方法流程示意图，包括以下步骤：

对神经元骨架树进行拆分得到多根子段纤维，提取子段纤维邻域图像信号；

对子段纤维邻域图像信号进行自适应前景分割，定位子段纤维上的轴突膨大结构，并融合所有子段纤维上的轴突膨大结构；

结合轴突突触结形态特点，设计和训练深度卷积网络对初步识别的轴突膨大结构分类，剔除其中的非轴突突触结的膨大结构得到最终的轴突突触结。

具体地，根据人工追踪的神经元骨架树，将神经元骨架树结构拆分成单根的轴突纤维，然后将每根轴突纤维拆分成等长的若干子段纤维，对拆分之后的子段纤维，提取纤维邻域图像信号，包括：

将神经元的整个骨架中心线视为一个二叉树结构，二叉树的每个边对应神经元的一根纤维。对单根纤维，计算其长度并按预定的子段纤维长度将其拆分成若干子段纤维。具体设T是神经元骨架树结构，T＝{E₁，E₂，…，E_n}表示将神经元骨架树结构拆成n根纤维。假设E_i的长度为l_i，子段纤维的长度为d，则这根纤维拆分的子段纤维数目m_i＝[l_i/d]，E_i＝{S₁ ⁱ，S₂ ⁱ，…，S_mi ⁱ}表示将一根纤维拆成m_i根子段纤维，其中[]表示向上取整。本实施例中d设置为80um。如图2示意了神经元的骨架树的拆分方法，对照二叉树该神经元有7根纤维，针对纤维1将其拆分为等长的6根子段纤维，其他纤维也按照同样方法拆分。

子段纤维的骨架一般是由一系列折线点组成，为了便于提取其邻域图像信号，我们先对其进行等距插值。然后对每个等距插值点提取以该点为中心的球形区域。所有的球形区域组合在一起形成以骨架为中心线的圆柱体图像信号区域。具体设S_j ⁱ的长度为l，插值点的间距为r，则需要插值的点的数目m＝[l/r]-1，其中[]表示向上取整。插值点的间距为r，我们设置球的半径为r则所有相邻的球构成一个近似的圆柱体区域。球半径参数r应该保证由球形区域构成的圆柱体能包含所有潜在的轴突突触结。一般轴突突触结的半径在0.5um～1um，因此我们设置球半径r为1.5um。这样既能保证不漏掉潜在的轴突突触结，又尽量减少需要识别的图像体积。实施例中全脑数据xy平面的分辨率在0.2um，z向分辨率在1um，因此设置r为[8 8 3]，z方向取3的原因是z方向的体素大小比xy平面大。如图3示意了提取子段纤维邻域图像的方法，首先对由散点连接的子段纤维进行等距插值，图3中的子段纤维从4个点插值成19个点，然后对每个点取以该点为中心以插值间距为半径的球形区域图像信号，最终所有的点的球形区域合在一起形成以骨架为中心线的圆柱体图像信号区域，即子段纤维的邻域图像信号。

具体地，对每个子段纤维图像信号进行自适应的前景分割进一步提取轴突纤维结构，根据下述公式进行二值化：

其中，I表示待二值化的原图像，C表示通过多次平均滤波得到背景图像，thre_binarization是二值化的阈值参数，B表示得到的二值化图像。在本实施例中thre_binarization设置为3。为了进一步消除得到的二值图像中的噪点，还对二值图像进行形态腐蚀处理，最终得到的二值图像和原图像的逐像素点乘得到分割的轴突纤维结构的图像信号。

具体地，对提取的纤维结构图像信号进行密度峰聚类算法定位轴突膨大结构，即潜在的轴突突触结中心，包括：

对提取的纤维结构图像计算(ρ,δ)特征空间，在特征空间中搜索密度峰点，即轴突膨大结构的中心点。其中，ρ是图像的局部灰度密度，即局部灰度的高斯加权值；δ是最小距离，指的是当前点到比自己密度大的点构成的点集的最小距离。密度峰的特点是具有较大的局部密度和较大的最小距离。根据这个特点可以从(ρ,δ)特征空间中直观地发现密度峰。

本发明改进经典的密度峰聚类算法，使之能适用于大体积三维图像。改进包含三点：考虑物体尺度和图像灰度的高斯加权局部密度；局部搜索策略降低算法时间复杂度；设计方法自动地从(ρ,δ)特征空间中发现密度峰点，避免人工直观地判断。三维图像中每个体素点的局部密度定义如下公式：

其中，ρ_i指体素点p_i的局部密度，I(p_j)指体素点p_j的灰度值，σ和R是高斯核的核宽度和窗口半径(R＝3σ)，||…||是向量的2范数，Z是归一化常数。通常σ需要和待识别对象的尺度匹配。

新的密度定义方式实质上是对图像中的灰度进行高斯加权平均，考虑了图像中每个体素点的灰度信息。高斯加权的关键是高斯核的大小即参数的大小，这是密度的尺度信息。过大的高斯核导致密度过度平滑，不能很好地刻画图像中物体；过小的高斯核导致密度对图像中的噪声和灰度值的波动非常敏感。本实施例将计算密度的高斯核的大小与待识别对象的尺度匹配起来，使得密度既很好地刻画图像中待识别对象又对图像内的噪声不敏感。具体而言，高斯核σ取待识别对象的平均半径。

每个体素点的最小距离定义如下：

其中，ρ_i指体素点p_i的局部密度，δ_i指体素点p_i的最小距离，S是局部搜索范围的半径。另外对当前体素点仅在其所属的连通域范围搜索。

假设图像中包含n个体素点，那么计算所有点的最小距离需要的计算量约是O(n²)。对于三维图像而言，n通常在10⁶数量级以上，因此这个计算量非常大。本发明设计的局部搜索策略能有效解决这个问题。局部搜索包括两方面：一是将待聚类的图像拆分成单个的连通域，仅在单个连通域上计算最小距离；二是结合图像中待识别对象的尺度限定搜索范围。这样最小距离的计算量约是O(n)。

密度峰点的特征是具有较大的局部密度ρ和较大的最小距离δ。在(ρ,δ)特征空间中，这些潜在的密度峰点表现为孤立点。原始密度峰聚类算法中，是从(ρ,δ)特征空间中直观地人工挑选出密度峰点。但是大体积三维图像中，可能存在成千上万个待识别对象，不适合人工直观挑选密度峰点。因此，本实施例进一步在(ρ,δ)特征空间中定义特征密度Λ，并使用下述公式自动计算出密度峰：

其中，thre_search是一个特征密度阈值，R_min是相邻密度峰的最小距离。通常R_min设置为待识别对象的最小半径。在本实施例中，为了保证潜在的轴突突触结中心都能被找到，我们将thre_search设置为0.01，R_min设置为最小轴突突触结半径。

在本发明实施例中，根据轴突突触结的形态特点在原始的ResNet50卷积神经网络的基础上根据轴突突触结的形态特点设计了深度卷积神经网络。该网络用于识别初步识别的轴突膨大结构中的假阳性，即区分非轴突突触结的轴突膨大。精确的轴突突触结识别最大的挑战是如何有效刻画轴突突触结形态特征。鉴于全脑数据的亚微米分辨率水平且z方向分辨率低于xy平面，轴突突触结在xy平面的平均半径在2-3体素，在z向只有约1个体素。对于经典分类卷积神经网络而言，轴突突触结的尺度太小。因此，轴突突触结的形态特征在逐渐池化的过程中可能会消失，不能被卷积神经网络充分编码。这里采用三个策略来解决这个问题:

1、对以初步检测到的轴突膨大结构为中心提取的小块三维图像沿z向作最大投影，降低z向分辨率不够对识别带来的影响；

2、对投影图作4倍上采样；

3、减少原始ResNet50网络中的下采样或者池化层，同时减少特征层的数目。

上面这些策略使得小尺度的轴突突触结的形态信息能够被深度卷积网络学习和表征。此外，网络结构中使用了Dropout方法和ReLU激活函数降低过拟合的风险和加速网络收敛。图4是本发明实施例中使用的深度卷积网络的结构图。

卷积神经网络的输入需要有合适的大小能够包含足够的潜在轴突突触结邻近的轴突纤维信息作为轴突突触结识别的上下文信息，同时又不能太大影响网络对待识别结构的注意力。基于下述三个考虑：z向分辨率远低于xy平面；轴突突触结表现为一种轴突膨大结构，这种结构在xy平面的投影图像里同样存在且更加清晰；轴突突触结结构在60×60的图像中的半径约2-3像素，对于卷积网络而言尺寸太小。本实施例使用大小为60×60×7的小块三维图像，该图像以潜在轴突突触结为中心从全脑数据集中截取。然后对截取的三维图像沿z方向作最大值投影，最后将60×60的二维图像上采样到240×240。

本实施例中使用大约10000人工标注的样本数据，包括5000个轴突突触结和5000虚假轴突突触结的轴突膨大结构，训练上述设计的网络结构。训练过程在基于Tensorflow后端的Keras里执行。训练过程中，小批量随机梯度下降算法被使用，一个小批量包含60个样本，学习率为0.01，并带10^-6的衰减，0.9的动量系数被采用。在大约50轮后，网络能够达到指定的精度，训练过程在一块英伟达GTX1080的显卡上约运行1天。

此外，本实施例结合轴突突触结的形态特点，设计了一种数据增强方法来提高模型的鲁棒性，如需旋转不变形和抗噪性，对训练样本进行数据扩增，本实施例中对样本采取了旋转、添加噪声、移位、尺度变换和改变灰度级的操作。旋转：将一个样本旋转90、180、270度；噪声：增加高斯、椒盐或者泊松噪声；平移：将样本在xy方向平移[1,1]、[1,-1]、[-1,1]或者[-1,-1]。尺度：将样本放大1.2或者缩小0.82倍；灰度强度：对样本图像灰度值乘以一个系数，系数范围是[0.5,2]。

在本发明实施例中，对初步检测到的轴突膨大进行是否是轴突突触结的分类，剔除初步检测结果中的非轴突突触结的膨大结构的具体实现方式如下：

对初步识别的轴突膨大按照上述样本制备的方式制作膨大结构的邻域小块图像，将所有的小块图像输入上述训练好的卷积神经网络，然后预计卷积神经网络的计算的概率得分剔除得分小于0.5的轴突膨大，剩余的即为最终识别的单神经元轴突突触结。

本实施例中的测试数据包括一个锥体神经元和一个篮状细胞神经元。图5展示了该锥体神经元在全脑范围内的形态，在该锥体神经元上识别出了21587个轴突突触结。图中给出了该神经元一个子区域内(图中大的白色框区域)识别出的轴突突触结。其显示方式是将识别出的轴突突触结以点的形式绘制在神经元骨架上。本实施例随机挑选该神经元的18个子分支上的轴突突触结作为验证数据和人工标注的轴突突触结对比(即图中18个白色和灰色的小框对应的区域)，这18个子分支共包括3831个人工标注的轴突突触结。本实施中自动方法共检查到了3788个轴突突触结，取得了0.90的正确率和0.89的召回率。图中还展示了具体两个小区域内(图中灰色小框对应的区域)识别的轴突突触结。其显示方式是将识别出的轴突突触结以点的形式绘制在原始图像上。在该篮状细胞上取得了0.96的正确率和0.98的召回率。在这两种细胞上算法性能的差异的原因是，锥体神经元的轴突突触结形态多样大小不一，识别难度大，而篮状细胞的轴突突触结则均非常显著，更易识别。

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 (9)

1.一种全脑范围单神经元轴突突触结的自动识别方法，其特征在于，包括：

对神经元骨架树进行拆分得到多根子段纤维，提取所述子段纤维的邻域图像信号；

对所述子段纤维的邻域图像信号进行自适应前景分割，定位所述子段纤维的轴突膨大结构，并融合所有子段纤维上的轴突膨大结构；

利用深度卷积网络对所述轴突膨大结构分类，剔除其中的非轴突突触结的轴突膨大结构得到最终的轴突突触结。

2.如权利要求1所述的方法，其特征在于，所述对神经元骨架树进行拆分包括根据人工追踪的神经元骨架树，将神经元骨架树拆分成单根的轴突纤维，将所述单根轴突纤维拆分成多根子段纤维。

3.如权利要求1所述的方法，其特征在于，所述自适应前景分割根据下述公式二值化：

其中，B为得到的二值化图像，I为待二值化的原图像，C为背景图像，thre_binarization为二值化的阈值。

4.如权利要求1所述的方法，其特征在于，所述定位所述轴突纤维的轴突膨大结构采用改进的密度峰聚类算法。

5.如权利要求1所述的方法，其特征在于，所述利用深度卷积网络对所述轴突膨大结构分类包括结合轴突突触结形态特点将所述轴突膨大结构分为轴突突触结和非轴突突触结。

6.一种全脑范围单神经轴突突触结的自动识别装置，其特征在于，包括：

获取模块，用于基于密度峰聚类算法获取待识别神经元的轴突膨大结构；

分类模块，用于基于深度卷积网络对所述轴突膨大结构进行分类。

7.如权利要求6所述的装置，其特征在于，所述获取模块包括：

提取单元，用于提取包含待识别轴突突触结的图像信号；

定位单元，用于定位所述图像中的轴突膨大结构。

8.如权利要求6所述的装置，其特征在于，所述分类模块包括：

筛选单元，用于剔除轴突膨大结构中的非轴突突触结；

识别单元，用于识别轴突膨大结构中的轴突突触结。

9.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5中仍一项所述的方法。