CN116433662B - 一种基于稀疏分解与景深估计的神经元提取方法及装置 - Google Patents

一种基于稀疏分解与景深估计的神经元提取方法及装置 Download PDF

Info

Publication number
CN116433662B
CN116433662B CN202310690490.1A CN202310690490A CN116433662B CN 116433662 B CN116433662 B CN 116433662B CN 202310690490 A CN202310690490 A CN 202310690490A CN 116433662 B CN116433662 B CN 116433662B
Authority
CN
China
Prior art keywords
neuron
neurons
action potential
depth
solving
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
CN202310690490.1A
Other languages
English (en)
Other versions
CN116433662A (zh
Inventor
庄培显
李擎
李江昀
张天翔
徐银梅
洪然
姜天轶
英子瑄
钟祚栋
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.)
University of Science and Technology Beijing USTB
Original Assignee
University of Science and Technology Beijing USTB
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 University of Science and Technology Beijing USTB filed Critical University of Science and Technology Beijing USTB
Priority to CN202310690490.1A priority Critical patent/CN116433662B/zh
Publication of CN116433662A publication Critical patent/CN116433662A/zh
Application granted granted Critical
Publication of CN116433662B publication Critical patent/CN116433662B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06T7/00—Image analysis
    • G06T7/50—Depth or shape recovery
    • G06T7/55—Depth or shape recovery from multiple images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
    • 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
    • G06T2207/10016—Video; Image sequence
    • 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
    • G06T2207/10056—Microscopic 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
    • G06T2207/30004—Biomedical image processing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Quality & Reliability (AREA)
  • Radiology & Medical Imaging (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Image Processing (AREA)

Abstract

本发明公开一种基于稀疏分解与景深估计的神经元提取方法及装置，方法包括：输入原始图像视频数据；利用鲁棒性主成分分析方法分解原始图像视频数据，以得到神经元信号、背景和噪声；计算神经元信号数据的亮暗通道先验，利用两种先验估计神经元信号数据景深对应的传输率；将神经元信号数据以像素为单位点除景深对应的传输率，构建并求解约束性非负矩阵分解的神经元提取框架；输出神经元的提取信息，包括：空间位置及形状大小、动作电位和时序变化。本发明能够高效地分解背景及噪声等干扰信息，快速估计神经元信号景深以去除数据散射，准确有效地提取神经元的空间位置及形状大小、动作电位和时序变化等特征信息。

Description

一种基于稀疏分解与景深估计的神经元提取方法及装置
技术领域
本发明涉及神经元提取技术领域，特别是指一种基于稀疏分解与景深估计的神经元提取方法及装置。
背景技术
神经元提取是从光学显微仪器所获得的荧光钙成像图像视频数据中，提取神经元信号的空间位置及形状大小、动作电位及时序变化等特征信息。神经元提取作为关键必要环节，用于分析与阐释大尺度或介观尺度神经元细胞群所产生的生命活动及变化机理，已成为脑科学与生命科学等领域的研究热点之一。
针对钙成像中的神经元提取，现有的神经元提取方法主要有约束性非负矩阵分解和扩展约束性非负矩阵分解等方法。然而，上述方法迭代求解与重构复杂背景信息，需花费大量的运算时间；噪声直接影响神经元的提取性能。同时，这些方法未考虑及解决钙成像的散射问题；在数据矩阵运算中未考虑利用景深信息。因此如何构建一种去背景、去噪声、去散射和景深利用的高效神经元提取方法是本领域技术人员当前亟需解决的问题。
发明内容
本发明实施例提供了一种基于稀疏分解与景深估计的神经元提取方法及装置。所述技术方案如下：
一方面，提供了一种基于稀疏分解与景深估计的神经元提取方法，该方法由电子设备实现，该方法包括：
S1、输入原始图像视频数据；
S2、利用鲁棒性主成分分析方法分解输入的所述原始图像视频数据，以得到神经元信号、背景和噪声；
S3、计算神经元信号数据的亮暗通道先验，利用两种先验估计神经元信号数据景深对应的传输率；
S4、将所述神经元信号数据以像素为单位点除景深对应的传输率，构建约束性非负矩阵分解的神经元提取框架；
S5、求解约束性非负矩阵分解的神经元提取框架，输出神经元的提取信息，所述提取信息包括：空间位置及形状大小、动作电位和时序变化；
所述S5，具体包括：
S51、固定神经元的动作电位及时序变化，利用快速分层交替最小二乘算法，求解得到神经元的空间位置及形状大小；
S52、固定步骤S51得到的神经元的空间位置及形状大小，利用在线有效集算法，求解得到神经元的动作电位及时序变化；
S53、重复步骤S51-S52直到交替迭代结束，输出神经元的提取信息，所述提取信息包括：空间位置及形状大小、动作电位和时序变化；
所述S51，具体包括：
固定所有神经元的当前动作电位及时序变化，求解所有神经元空间位置及形状大小的目标函数：
(8)
其中，P为所有神经元的空间位置及形状大小，具有稀疏性和空间局部性，C为所有神经元的动作电位，上标符号^为当前参数估计值；
采用快速分层交替最小二乘算法求解P的目标函数, 对C中每个神经元均进行如下运算操作：
(9)
其中，, 上标符号T为转置运算，k=1,...,K，K为C中所有神经元数目，迭代上述运算直至迭代结束；
所述S52，具体包括：
固定步骤S51得到的所有神经元的当前空间位置及形状大小，推断所有神经元的动作电位C及时序变化T的目标函数构建为：
(10)
其中，，/>，tk为神经元时间动态变化中所产生的冲击次数，具有稀疏性，G(k)为二阶回归系数，利用二阶回归过程对每个神经元的时间动态活动性进行建模；
采用在线有效集算法求解神经元动作电位C及时序变化T的目标函数，对每个神经元进行如下迭代运算操作：
（11）
其中，池化变量，池化长度/>，/>为G的自相关系数，更新权重/>，qk初始设置为/>，迭代此运算以求解得到神经元动作电位C及时序变化T。
可选地，所述S2，具体包括：
对输入原始图像视频数据V中的神经元信号S和背景L进行稀疏分解，对应的目标函数表示为：
（1）
其中，和/>分别为核范数与L0范式，/>为平衡神经元信号稀疏性与背景低秩性的权重参数；
利用增广拉格朗日乘子法交替迭代求解S与L的目标函数：
固定神经元信号S，求解背景L：
（2）
其中，和/>分别为奇异值阈值操作和软阈值操作，A和B是奇异值阈值操作的正交矩阵，/>是奇异值阈值操作的阈值参数，j和/>分别为迭代次数和平衡权重参数，X为像素点坐标矩阵，Yj为残差及噪声；
固定当前背景L，求解神经元信号S：
（3）
其中，为平衡权重参数；
更新残差及噪声Y：。
可选地，所述S3，具体包括：
将神经元信号分解为一系列列向量，然后将这些列向量分别转变为一帧帧神经元信号图像，其中Si为第i个神经元信号图像对应的矩阵，N为神经元信号数据的图像帧数；
计算每帧神经元信号图像的亮通道先验Sbcp：
（4）
计算每帧神经元信号图像的暗通道先验Sdcp：
（5）
其中，Si含有r个通道，x为像素点坐标，/>是x为中心的邻近区域，y是邻近区域的当前像素点坐标；
在每帧神经元信号图像的亮暗通道先验基础上，估计每帧神经元信号图像的景深对应传输率M：
（6）
其中，除法运算均为像素点除操作，加入权重系数w，以避免传输率的过估计。
可选地，所述S4，具体包括：
将得到的神经元信号S和估计的对应景深的传输率M进行像素点除运算：
，i = 1, ..., N(7)
其中，为极小常数10-6，以避免分母趋近于0；
将点除运算后的全部结果表示为一系列列向量并组成一个矩阵，作为约束性非负矩阵分解的神经元提取框架的初始输入数据。
另一方面，提供了一种基于稀疏分解与景深估计的神经元提取装置，所述装置包括：
输入模块，用于输入原始图像视频数据；
分解模块，用于利用鲁棒性主成分分析方法分解输入的所述原始图像视频数据，以得到神经元信号、背景和噪声；
计算模块，用于计算神经元信号数据的亮暗通道先验，利用两种先验估计神经元信号数据景深对应的传输率；
构建模块，用于将所述神经元信号数据以像素为单位点除景深对应的传输率，构建约束性非负矩阵分解的神经元提取框架；
求解模块，用于求解约束性非负矩阵分解的神经元提取框架，输出神经元的提取信息，所述提取信息包括：空间位置及形状大小、动作电位和时序变化。
另一方面，提供了一种电子设备，所述电子设备包括处理器和存储器，所述存储器中存储有至少一条指令，所述至少一条指令由所述处理器加载并执行以实现上述基于稀疏分解与景深估计的神经元提取方法。
另一方面，提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现上述基于稀疏分解与景深估计的神经元提取方法。
本发明实施例提供的技术方案带来的有益效果至少包括：
本发明提出了一种基于稀疏分解与景深估计的神经元提取方法，相比于现有的约束性非负矩阵分解及其扩展等方法，本发明方法的优点是高效地分解背景及噪声等干扰信息，快速估计神经元信号景深以去除数据散射，准确有效地提取神经元的空间位置及形状大小、动作电位和时序变化等特征信息。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种基于稀疏分解与景深估计的神经元提取方法流程图；
图2是本发明实施例提供的亮暗通道先验的景深估计流程图；
图3是本发明实施例提供的一种基于稀疏分解与景深估计的神经元提取方法详细流程图；
图4是本发明实施例提供的一种基于稀疏分解与景深估计的神经元提取装置框图；
图5是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。
本发明实施例提供了一种基于稀疏分解与景深估计的神经元提取方法，该方法可以由电子设备实现，该电子设备可以是终端或服务器。如图1所示的基于稀疏分解与景深估计的神经元提取方法流程图，该方法的处理流程可以包括如下的步骤：
S1、输入原始图像视频数据；
将输入图像视频数据表示为列向量形式，组成一个矩阵，作为稀疏分解的初始数据，其中，Ii为第i列向量，上标符号T为转置运算，N为输入数据的图像帧数。
S2、利用鲁棒性主成分分析方法分解输入的所述原始图像视频数据，以得到神经元信号、背景和噪声；
可选地，所述S2，具体包括：
对输入原始图像视频数据V中的神经元信号S和背景L进行稀疏分解，对应的目标函数表示为：
（1）
其中，和/>分别为核范数与L0范式，/>为平衡神经元信号稀疏性与背景低秩性的权重参数；
利用增广拉格朗日乘子法交替迭代求解S与L的目标函数：
固定神经元信号S，求解背景L：
（2）
其中，和/>分别为奇异值阈值操作和软阈值操作，A和B是奇异值阈值操作的正交矩阵，/>是奇异值阈值操作的阈值参数，j和/>分别为迭代次数和平衡权重参数，X为像素点坐标矩阵，Yj为残差及噪声；
固定当前背景L，求解神经元信号S：
（3）
其中，为平衡权重参数；
更新残差及噪声Y：。
S3、计算神经元信号数据的亮暗通道先验，利用两种先验估计神经元信号数据景深对应的传输率；
可选地，所述S3，具体包括：
将神经元信号分解为一系列列向量，然后将这些列向量分别转变为一帧帧神经元信号图像，其中Si为第i个神经元信号图像对应的矩阵，N为神经元信号数据的图像帧数；
如图2所示，计算每帧神经元信号图像的亮通道先验Sbcp：
（4）
计算每帧神经元信号图像的暗通道先验Sdcp：
（5）
其中，Si含有r个通道，x为S的当前像素点坐标，/>是x为中心的邻近区域，y是邻近区域的当前像素点坐标；
在每帧神经元信号图像的亮暗通道先验基础上，估计每帧神经元信号图像的景深对应传输率M：
（6）
其中，除法运算均为像素点除操作，加入权重系数w，以避免传输率的过估计。
可选地，w设为0.95。
S4、将所述神经元信号数据以像素为单位点除景深对应的传输率，构建约束性非负矩阵分解的神经元提取框架；
可选地，如图3所示，所述S4，具体包括：
将得到的神经元信号图像S和估计的对应景深的传输率M进行像素点除运算：
，i = 1, ..., N(7)
其中，为极小常数10-6，以避免分母趋近于0；
将点除运算后的全部结果表示为一系列列向量并组成一个矩阵，作为约束性非负矩阵分解的神经元提取框架的初始输入数据。
S5、求解约束性非负矩阵分解的神经元提取框架，输出神经元的提取信息，所述提取信息包括：空间位置及形状大小、动作电位和时序变化。
可选地，所述S5，具体包括：
S51、固定神经元的动作电位及时序变化，利用快速分层交替最小二乘算法，求解得到神经元的空间位置及形状大小；
S52、固定步骤S51得到的神经元的空间位置及形状大小，利用在线有效集算法，求解得到神经元的动作电位及时序变化；
S53、重复步骤S51-S52直到交替迭代结束，输出神经元的提取信息，所述提取信息包括：空间位置及形状大小、动作电位和时序变化。
可选地，所述S51，具体包括：
固定所有神经元的当前动作电位及时序变化，求解所有神经元空间位置及形状大小的目标函数：
(8)
其中，P为所有神经元的空间位置及形状大小，具有稀疏性和空间局部性，C为所有神经元的动作电位，上标符号^为当前参数估计值；
采用快速分层交替最小二乘算法求解P的目标函数, 对C中每个神经元均进行如下运算操作：
(9)
其中，, 上标符号T为转置运算，k=1,...,K，K为C中所有神经元数目，迭代上述运算直至迭代结束。
可选地，所述S52，具体包括：
固定步骤S51得到的所有神经元的当前空间位置及形状大小，推断所有神经元的动作电位C及时序变化T的目标函数构建为：
(10)
其中，，/>，tk为神经元时间动态变化中所产生的冲击次数，具有稀疏性，G(k)为二阶回归系数，利用二阶回归过程对每个神经元的时间动态活动性进行建模；
采用在线有效集算法求解神经元动作电位C及时序变化T的目标函数，对每个神经元进行如下迭代运算操作：
（11）
其中，池化变量，池化长度/>，/>为G的自相关系数，更新权重/>，qk初始设置为/>，迭代此运算以求解得到神经元动作电位C及时序变化T。
如图4所示，本发明实施例还提供了一种基于稀疏分解与景深估计的神经元提取装置，所述装置包括：
输入模块410，用于输入原始图像视频数据；
分解模块420，用于利用鲁棒性主成分分析方法分解输入的所述原始图像视频数据，以得到神经元信号、背景和噪声；
计算模块430，用于计算神经元信号数据的亮暗通道先验，利用两种先验估计神经元信号数据景深对应的传输率；
构建模块440，用于将所述神经元信号数据以像素为单位点除景深对应的传输率，构建约束性非负矩阵分解的神经元提取框架；
求解模块450，用于求解约束性非负矩阵分解的神经元提取框架，输出神经元的提取信息，所述提取信息包括：空间位置及形状大小、动作电位和时序变化。
本发明实施例提供的一种基于稀疏分解与景深估计的神经元提取装置，其功能结构与本发明实施例提供的一种基于稀疏分解与景深估计的神经元提取方法相对应，在此不再赘述。
图5是本发明实施例提供的一种电子设备500的结构示意图，该电子设备500可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器（centralprocessing units，CPU）501和一个或一个以上的存储器502，其中，所述存储器502中存储有至少一条指令，所述至少一条指令由所述处理器501加载并执行以实现上述基于稀疏分解与景深估计的神经元提取方法的步骤。
在示例性实施例中，还提供了一种计算机可读存储介质，例如包括指令的存储器，上述指令可由终端中的处理器执行以完成上述基于稀疏分解与景深估计的神经元提取方法。例如，所述计算机可读存储介质可以是ROM、随机存取存储器（RAM）、CD-ROM、磁带、软盘和光数据存储设备等。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上所述仅为本发明的较佳实施例，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、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于稀疏分解与景深估计的神经元提取方法，其特征在于，所述方法包括：
S1、输入原始图像视频数据；
S2、利用鲁棒性主成分分析方法分解输入的所述原始图像视频数据，以得到神经元信号、背景和噪声；
S3、计算神经元信号数据的亮暗通道先验，利用两种先验估计神经元信号数据景深对应的传输率；
S4、将所述神经元信号数据以像素为单位点除景深对应的传输率，构建约束性非负矩阵分解的神经元提取框架；
S5、求解约束性非负矩阵分解的神经元提取框架，输出神经元的提取信息，所述提取信息包括：空间位置及形状大小、动作电位和时序变化；
所述S5，具体包括：
S51、固定神经元的动作电位及时序变化，利用快速分层交替最小二乘算法，求解得到神经元的空间位置及形状大小；
S52、固定步骤S51得到的神经元的空间位置及形状大小，利用在线有效集算法，求解得到神经元的动作电位及时序变化；
S53、重复步骤S51-S52直到交替迭代结束，输出神经元的提取信息，所述提取信息包括：空间位置及形状大小、动作电位和时序变化；
所述S51，具体包括：
固定所有神经元的当前动作电位及时序变化，求解所有神经元空间位置及形状大小的目标函数：
(8)
其中，P为所有神经元的空间位置及形状大小，具有稀疏性和空间局部性，C为所有神经元的动作电位，上标符号^为当前参数估计值；
采用快速分层交替最小二乘算法求解P的目标函数, 对C中每个神经元均进行如下运算操作：
(9)
其中，, 上标符号T为转置运算，k=1,...,K，K为C中所有神经元数目，迭代上述运算直至迭代结束；
所述S52，具体包括：
固定步骤S51得到的所有神经元的当前空间位置及形状大小，推断所有神经元的动作电位C及时序变化T的目标函数构建为：
(10)
其中，，/>，tk为神经元时间动态变化中所产生的冲击次数，具有稀疏性，G(k)为二阶回归系数，利用二阶回归过程对每个神经元的时间动态活动性进行建模；
采用在线有效集算法求解神经元动作电位C及时序变化T的目标函数，对每个神经元进行如下迭代运算操作：
（11）
其中，池化变量，池化长度/>，/>为G的自相关系数，更新权重/>，qk初始设置为/>，迭代此运算以求解得到神经元动作电位C及时序变化T。
2.根据权利要求1所述的方法，其特征在于，所述S2，具体包括：
对输入原始图像视频数据V中的神经元信号S和背景L进行稀疏分解，对应的目标函数表示为：
（1）
其中，和/>分别为核范数与L0范式，/>为平衡神经元信号稀疏性与背景低秩性的权重参数；
利用增广拉格朗日乘子法交替迭代求解S与L的目标函数：
固定神经元信号S，求解背景L：
（2）
其中，和/>分别为奇异值阈值操作和软阈值操作，A和B是奇异值阈值操作的正交矩阵，/>是奇异值阈值操作的阈值参数，j和/>分别为迭代次数和平衡权重参数，X为像素点坐标矩阵，Yj为残差及噪声；
固定当前背景L，求解神经元信号S：
（3）
其中，为平衡权重参数；
更新残差及噪声Y：。
3.根据权利要求1所述的方法，其特征在于，所述S3，具体包括：
将神经元信号分解为一系列列向量，然后将这些列向量分别转变为一帧帧神经元信号图像，其中Si为第i个神经元信号图像对应的矩阵，N为神经元信号数据的图像帧数；
计算每帧神经元信号图像的亮通道先验Sbcp：
（4）
计算每帧神经元信号图像的暗通道先验Sdcp：
（5）
其中，Si含有r个通道，x为像素点坐标，/>是x为中心的邻近区域，y是邻近区域的当前像素点坐标；
在每帧神经元信号图像的亮暗通道先验基础上，估计每帧神经元信号图像的景深对应传输率M：
（6）
其中，除法运算均为像素点除操作，加入权重系数w，以避免传输率的过估计。
4.根据权利要求1所述的方法，其特征在于，所述S4，具体包括：
将得到的神经元信号S和估计的对应景深的传输率M进行像素点除运算：
，i = 1, ..., N(7)
其中，为极小常数10-6，以避免分母趋近于0；
将点除运算后的全部结果表示为一系列列向量并组成一个矩阵，作为约束性非负矩阵分解的神经元提取框架的初始输入数据。
5.一种基于稀疏分解与景深估计的神经元提取装置，其特征在于，所述装置包括：
输入模块，用于输入原始图像视频数据；
分解模块，用于利用鲁棒性主成分分析方法分解输入的所述原始图像视频数据，以得到神经元信号、背景和噪声；
计算模块，用于计算神经元信号数据的亮暗通道先验，利用两种先验估计神经元信号数据景深对应的传输率；
构建模块，用于将所述神经元信号数据以像素为单位点除景深对应的传输率，构建约束性非负矩阵分解的神经元提取框架；
求解模块，用于求解约束性非负矩阵分解的神经元提取框架，输出神经元的提取信息，所述提取信息包括：空间位置及形状大小、动作电位和时序变化；
所述求解模块，具体用于：
S51、固定神经元的动作电位及时序变化，利用快速分层交替最小二乘算法，求解得到神经元的空间位置及形状大小；
S52、固定步骤S51得到的神经元的空间位置及形状大小，利用在线有效集算法，求解得到神经元的动作电位及时序变化；
S53、重复步骤S51-S52直到交替迭代结束，输出神经元的提取信息，所述提取信息包括：空间位置及形状大小、动作电位和时序变化；
所述S51，具体包括：
固定所有神经元的当前动作电位及时序变化，求解所有神经元空间位置及形状大小的目标函数：
(8)
其中，P为所有神经元的空间位置及形状大小，具有稀疏性和空间局部性，C为所有神经元的动作电位，上标符号^为当前参数估计值；
采用快速分层交替最小二乘算法求解P的目标函数, 对C中每个神经元均进行如下运算操作：
(9)
其中，, 上标符号T为转置运算，k=1,...,K，K为C中所有神经元数目，迭代上述运算直至迭代结束；
所述S52，具体包括：
固定步骤S51得到的所有神经元的当前空间位置及形状大小，推断所有神经元的动作电位C及时序变化T的目标函数构建为：
(10)
其中，，/>，tk为神经元时间动态变化中所产生的冲击次数，具有稀疏性，G(k)为二阶回归系数，利用二阶回归过程对每个神经元的时间动态活动性进行建模；
采用在线有效集算法求解神经元动作电位C及时序变化T的目标函数，对每个神经元进行如下迭代运算操作：
（11）
其中，池化变量，池化长度/>，/>为G的自相关系数，更新权重/>，qk初始设置为/>，迭代此运算以求解得到神经元动作电位C及时序变化T。
6.一种电子设备，所述电子设备包括处理器和存储器，所述存储器中存储有至少一条指令，其特征在于，所述至少一条指令由所述处理器加载并执行以实现如权利要求1-4任一项所述基于稀疏分解与景深估计的神经元提取方法。
7.一种计算机可读存储介质，所述存储介质中存储有至少一条指令，其特征在于，所述至少一条指令由处理器加载并执行以实现如权利要求1-4任一项所述基于稀疏分解与景深估计的神经元提取方法。
CN202310690490.1A 2023-06-12 2023-06-12 一种基于稀疏分解与景深估计的神经元提取方法及装置 Active CN116433662B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310690490.1A CN116433662B (zh) 2023-06-12 2023-06-12 一种基于稀疏分解与景深估计的神经元提取方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310690490.1A CN116433662B (zh) 2023-06-12 2023-06-12 一种基于稀疏分解与景深估计的神经元提取方法及装置

Publications (2)

Publication Number Publication Date
CN116433662A CN116433662A (zh) 2023-07-14
CN116433662B true CN116433662B (zh) 2023-09-05

Family

ID=87087553

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310690490.1A Active CN116433662B (zh) 2023-06-12 2023-06-12 一种基于稀疏分解与景深估计的神经元提取方法及装置

Country Status (1)

Country Link
CN (1) CN116433662B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109002802A (zh) * 2018-07-23 2018-12-14 武汉科技大学 基于自适应鲁棒主成分分析的视频前景分离方法和系统
WO2019161048A1 (en) * 2018-02-14 2019-08-22 The Trustees Of Columbia University In The City Of New York Hierarchic neural microphysiological system for brain function and disorders
CN115054266A (zh) * 2022-06-10 2022-09-16 中国科学院上海微系统与信息技术研究所 一种神经信号处理方法、装置、设备及存储介质
CN115563444A (zh) * 2022-12-06 2023-01-03 苏州浪潮智能科技有限公司 一种信号重构方法、装置、计算机设备及存储介质
CN116092165A (zh) * 2023-02-21 2023-05-09 厦门大学 基于脑电信号的表情神经解码方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200348502A1 (en) * 2019-05-02 2020-11-05 Massachusetts Institute Of Technology Methods and Apparatus for Sparse Decomposition Light Field Microscopy

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019161048A1 (en) * 2018-02-14 2019-08-22 The Trustees Of Columbia University In The City Of New York Hierarchic neural microphysiological system for brain function and disorders
CN109002802A (zh) * 2018-07-23 2018-12-14 武汉科技大学 基于自适应鲁棒主成分分析的视频前景分离方法和系统
CN115054266A (zh) * 2022-06-10 2022-09-16 中国科学院上海微系统与信息技术研究所 一种神经信号处理方法、装置、设备及存储介质
CN115563444A (zh) * 2022-12-06 2023-01-03 苏州浪潮智能科技有限公司 一种信号重构方法、装置、计算机设备及存储介质
CN116092165A (zh) * 2023-02-21 2023-05-09 厦门大学 基于脑电信号的表情神经解码方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
REINFORCING NEURON EXTRACTION FROM CALCIUM IMAGING DATA VIA DEPTH-ESTIMATION CONSTRAINED NONNEGATIVE MATRIX FACTORIZATION;Peixian Zhuang et.al;《2022 IEEE International Conference on Image Processing(ICIP)》;全文 *

Also Published As

Publication number Publication date
CN116433662A (zh) 2023-07-14

Similar Documents

Publication Publication Date Title
WO2021054402A1 (ja) 推定装置、訓練装置、推定方法及び訓練方法
Bucak et al. Incremental subspace learning via non-negative matrix factorization
CN108334945B (zh) 深度神经网络的加速与压缩方法及装置
CN109919874B (zh) 图像处理方法、装置、计算机设备及存储介质
CN111105017B (zh) 神经网络量化方法、装置及电子设备
CN112801104B (zh) 基于语义分割的图像像素级伪标签确定方法及系统
CN108241854A (zh) 一种基于运动和记忆信息的深度视频显著性检测方法
CN111339695A (zh) 用于电磁场仿真的装置和方法
CN114283495A (zh) 一种基于二值化神经网络的人体姿态估计方法
CN116416253B (zh) 一种基于亮暗通道先验景深估计的神经元提取方法及装置
CN116051699A (zh) 动捕数据的处理方法、装置、设备及存储介质
CN111985488A (zh) 一种基于离线高斯模型的目标检测分割方法及系统
Ma et al. Fast spectral clustering method based on graph similarity matrix completion
Schmidt et al. The rank-reduced Kalman filter: Approximate dynamical-low-rank filtering in high dimensions
JP2014063359A (ja) 信号処理装置および信号処理方法、出力装置および出力方法、並びにプログラム
CN114494021A (zh) 图像重建方法、装置、电子设备及存储介质
CN107977980B (zh) 一种目标跟踪方法、设备以及可读介质
CN116433662B (zh) 一种基于稀疏分解与景深估计的神经元提取方法及装置
Shen et al. Pattern-coupled sparse Bayesian learning for recovery of block-sparse signals
CN104320659B (zh) 背景建模方法、装置及设备
CN112861874B (zh) 一种基于多滤波器去噪结果的专家场去噪方法及系统
CN110473210B (zh) 基于置信度传播的图像分割方法和装置
CN111260570A (zh) 基于循环一致性对抗网络的碑帖二值化背景噪声模拟方法
Geng et al. An End-to-End Deep Learning Method for Solving Nonlocal Allen-Cahn and Cahn-Hilliard Phase-Field Models
CN116993629B (zh) 基于图像分解的平滑方法、装置、电子设备及存储介质

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