TW201802774A - 以高動態範圍臨界值切割單一神經元影像的方法及其電腦可讀儲存媒體 - Google Patents

以高動態範圍臨界值切割單一神經元影像的方法及其電腦可讀儲存媒體 Download PDF

Info

Publication number
TW201802774A
TW201802774A TW105121971A TW105121971A TW201802774A TW 201802774 A TW201802774 A TW 201802774A TW 105121971 A TW105121971 A TW 105121971A TW 105121971 A TW105121971 A TW 105121971A TW 201802774 A TW201802774 A TW 201802774A
Authority
TW
Taiwan
Prior art keywords
image
importance score
structural importance
signal strength
threshold
Prior art date
Application number
TW105121971A
Other languages
English (en)
Other versions
TWI626621B (zh
Inventor
施奇廷
陳南佑
江安世
Original Assignee
國立清華大學
東海大學
財團法人國家實驗研究院
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 國立清華大學, 東海大學, 財團法人國家實驗研究院 filed Critical 國立清華大學
Priority to TW105121971A priority Critical patent/TWI626621B/zh
Priority to US15/369,897 priority patent/US10002425B2/en
Publication of TW201802774A publication Critical patent/TW201802774A/zh
Application granted granted Critical
Publication of TWI626621B publication Critical patent/TWI626621B/zh

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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
    • A61B6/501—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of the head, e.g. neuroimaging or craniography
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • G06T7/557—Depth or shape recovery from multiple images from light fields, e.g. from plenoptic cameras
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10064—Fluorescence 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20076—Probabilistic image processing
    • 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
    • G06T2207/30016—Brain
    • 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
    • G06T2207/30024—Cell structures in vitro; Tissue sections in vitro
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2210/00—Indexing scheme for image generation or computer graphics
    • G06T2210/41—Medical

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Software Systems (AREA)
  • Geometry (AREA)
  • Computer Graphics (AREA)
  • Dentistry (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Neurology (AREA)
  • Biophysics (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Optics & Photonics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Neurosurgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Image Analysis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Processing (AREA)
  • Image Generation (AREA)

Abstract

本發明之以高動態範圍臨界值切割單一神經元影像的方法包含(a)備置含神經元之生物組織樣本，並對含神經元之生物組織樣本進行三維成像，以得到原始三維神經影像；(b)濾除原始三維神經影像中訊號強度在第一訊號強度臨界值以下的立體像素，以得到第一經濾除影像；(c)對第一經濾除影像進行骨架追蹤，以得到第一經追蹤影像；(d)利用一方程式計算第一經追蹤影像之每一立體像素的結構重要性分數，以得到每一立體像素的第一次結構重要性分數；(e)逐漸增加訊號強度臨界值並重複步驟(b)、(c)及(d)n-1次；及(f)加總每一立體像素的第一次結構重要性分數一直到第n次結構重要性分數。

Description

以高動態範圍臨界值切割單一神經元影像的方法及其電腦可讀儲 存媒體
本發明係有關於切割神經元，特定而言係有關於以高動態範圍臨界值切割單一神經元影像的方法及其電腦可讀儲存媒體。
透過神經組織三維成像取得之單一神經元之三維影像所組合之連接體，一般被認為是了解神經系統如何運作的一個重要步驟，且已在若干模型動物例如果蠅及老鼠中開始實際應用。為了處理神經影像的大量資料，在不損失神經纖維或增加雜訊之情況下，自原始神經影像中切割單一神經元形態且對其進行追蹤以用於三維重建係為一個重要的挑戰。
傳統的去除雜訊及切割方法係直接將一中間訊號強度數值作為臨界值，直接濾除(切割)訊號強度在中間訊號強度數值以下的立體像素，之後對經切割之影像進行追蹤。傳統的方法對待一個立體像素的重要性直觀等於其自己的影像訊號強度或該立體像素附近之局部強度分佈。然而，神經影像常因為成像條件不一致而存在品質不一的情形，故可能會有一些在結構上很重要(例如處於分支點的立體像素)但訊號強度很微弱的立體像素。如此的立體像素在傳統的去除雜訊及切割方法中常會被刪除，而導致其後的樹狀分支消失，使得所得到的樹狀神經元結構不正確。另一傳統的方法係對一樣品進行多次取像，集合數個不同信號強度的影像，將其組合成高動態範圍(HDR)影像，以穩定信號。但如此會大幅增加取像時間，且損傷生物組織，更會造成三維影像內部及線條的不均勻。
是故，現今仍需一能解決上述傳統技術之所得樹狀神經元結構不正確問題之技術方案。
為了克服上述傳統技術之所得樹狀神經元結構不正確問題，本發 明提供一種以高動態範圍臨界值切割單一神經元影像的方法及其電腦可讀儲存媒體。
於一觀點中，本發明係揭露一種以高動態範圍臨界值切割單一神經元影像的方法，其包含：備置一含神經元之生物組織樣本，並對上述含神經元之生物組織樣本進行單次三維成像，以得到單一原始三維神經影像，成像技術可為但不限於共軛焦顯微鏡螢光成像、電子顯微鏡成像、X-光繞射成像等方法；由濾除模組分別濾除上述原始三維神經影像中訊號強度在第一訊號強度臨界值、第二訊號強度臨界值、第三訊號強度臨界值一直到第n個訊號強度臨界值以下的立體像素，以得到第一經濾除影像、第二經濾除影像、第三經濾除影像一直到第n個經濾除影像；由追蹤模組分別對上述第一經濾除影像、上述第二經濾除影像、上述第三經濾除影像一直到上述第n個經濾除影像進行骨架追蹤，以得到第一經追蹤影像、第二經追蹤影像、第三經追蹤影像一直到第n個經追蹤影像；由分數計算模組分別利用一方程式計算上述第一經追蹤影像、上述第二經追蹤影像、上述第三經追蹤影像一直到上述第n個經追蹤影像之每一立體像素的結構重要性分數，以得到每一立體像素的第一次結構重要性分數、第二次結構重要性分數、第三次結構重要性分數一直到第n個結構重要性分數；由加總模組加總每一立體像素的上述第一次結構重要性分數、上述第二次結構重要性分數、上述第三次結構重要性分數一直到上述第n個結構重要性分數，以得到每一立體像素的加總結構重要性分數；決定一結構重要性分數臨界值；以及由上述濾除模組刪除上述原始三維神經影像中上述加總結構重要性分數在上述結構重要性分數臨界值以下的立體像素，以得到單一神經元之三維影像。
於另一觀點中，本發明揭露一種電腦可讀儲存媒體，其具有程式指令儲存於其上，當上述程式指令由一處理器執行時會使上述處理器實施以下步驟：備置一含神經元之生物組織樣本，並對上述含神經元之生物組織樣本進行單次三維成像，以得到單一原始三維神經影像；分別濾除上述原始三維神經影像中訊號強度在第一訊號強度臨界值、第二訊號強度臨界值、第三訊號強度臨界值一直到第n個訊號強度臨界值以下的立體像素，以得到第一經濾除影像、第二經濾除影像、第三經濾除影像一直到第n個經濾除影像；分別對上述第一經濾除影像、上述第二經濾除影像、上述第三經濾除影像一直到上述第n個經濾除影像進行骨架追蹤，以得到第一經追蹤影像、第二經追蹤影像、第三經追 蹤影像一直到第n個經追蹤影像；分別利用一方程式計算上述第一經追蹤影像、上述第二經追蹤影像、上述第三經追蹤影像一直到上述第n個經追蹤影像之每一立體像素的結構重要性分數，以得到每一立體像素的第一次結構重要性分數、第二次結構重要性分數、第三次結構重要性分數一直到第n個結構重要性分數；加總每一立體像素的上述第一次結構重要性分數、上述第二次結構重要性分數、上述第三次結構重要性分數一直到上述第n個結構重要性分數，以得到每一立體像素的加總結構重要性分數；決定一結構重要性分數臨界值；以及濾除上述原始三維神經影像中上述加總結構重要性分數在上述結構重要性分數臨界值以下的立體像素，以得到單一神經元之三維影像。
本發明之一優點係為本發明可達到保留結構上重要但訊號強度微弱的立體像素之功效，故可保有正確的神經元分支結構。
本發明之另一優點係為本發明係利用演算法自動切割單一神經元影像，故相較於傳統以人工方式圈選切割神經元影像明顯可以節省許多時間。
此些優點及其他優點從以下較佳實施例之敘述並伴隨後附圖式及申請專利範圍將使讀者得以清楚了解本發明。
401‧‧‧處理器
402‧‧‧記憶體
403‧‧‧顯示裝置
404‧‧‧輸入裝置
405‧‧‧濾除模組
406‧‧‧儲存裝置或媒體
407‧‧‧資料輸入介面
408‧‧‧追蹤模組
409‧‧‧分數計算模組
410‧‧‧加總模組
50‧‧‧以高動態範圍臨界值切割單一神經元影像的方法
501~507‧‧‧步驟
上述元件，以及本發明其他特徵與優點，藉由閱讀實施方式之內容及其圖式後，將更為顯著：第一圖係根據本發明之一較佳實施例顯示以高動態範圍臨界值切割單一神經元影像的方法之流程圖。
第二圖係根據本發明之一實施例顯示結構重要性分數計算之概要性實例之示意圖。
第三圖係根據本發明之一實施例顯示第二圖中之每一個立體像素的某次計算所得之結構重要性分數之示意圖。
第四圖係根據本發明之一實施例顯示與本發明之以高動態範圍臨界值切割單一神經元影像的方法相配合之運算裝置之範例之方塊圖。
第五A圖係根據本發明之一實施例顯示以高動態範圍臨界值切割單一神經元影像的方法之流程圖。
第五B圖係根據本發明之一實施例顯示以高動態範圍臨界值切割單一神經元影像的方法之流程圖。
此處本發明將針對具體實施例及其觀點加以詳細描述，此類描述為解釋本發明之結構或步驟流程，其係供以說明之用而非用以限制本發明之申請專利範圍。因此，除說明書中之具體實施例與較佳實施例外，本發明亦可廣泛施行於其他不同的實施例中。
本發明係揭露一種以高動態範圍(HDR，high dynamic range)臨界值切割單一神經元影像的方法。本文中所述之「高動態範圍臨界值」意為對原始三維神經影像取一系列由小到大之訊號強度臨界值，濾除低強度立體像素後進行結構分析以決定各立體像素之結構重要性，最高訊號強度臨界值可比最低訊號強度臨界值大兩個數量級或以上，故稱為「高動態範圍臨界值」法。於一實施例中，上述以高動態範圍臨界值切割單一神經元影像的方法可為自動化的。首先，先分別以由小到大不同數值的訊號強度作為臨界值，分別濾除(切割)原始三維神經影像中不同臨界值以下的立體像素，再分別做追蹤(tracing)其骨架，之後再分別進行結構重要性評分，最後加總評分，以每個立體像素的加總分數作為是否保留該立體像素的依據，亦即以每個立體像素的加總分數製作一遮罩(mask)，若某個立體像素的加總分數低於一定的值，則該立體像素會被刪除，反之若某個立體像素的加總分數高於一定的值，則該立體像素被保留。於一實施例中，上述一定的值可由使用者決定。當以小的訊號強度數值作為臨界值時，一些在結構上極為重要但訊號強度微弱的立體像素會保留下來，且該些立體像素在結構重要性評分時會得到相對高的分數，故該些立體像素將不會被刪除。然而，由於先前技術係直接以約略為中間值的訊號強度作為臨界值，故上述在結構上極為重要但訊號強度微弱的立體像素就很可能在先前技術中被濾除(切割)掉，若該在結構上極為重要但訊號強度微弱的立體像素為神經元分支與主幹的連接點時，則該分支則會斷掉並消失。本發明之方法可達到保留結構上重要但訊號強度微弱的立體像素之功效，故可保有正確的神經元分支結構。且本發明係利用演算法自動切割單一神經元影像，故相較於傳統以人工方式圈選切割神經元影像明顯可以節省許多時間，一般以人工圈選需費時八年的資料量，若以本發明之以高動態範圍(HDR，high dynamic range)臨界值切割單一神經元影像的方法處理可在大約兩週內切割完畢。
本發明之主要概念為根據每一個具非零訊號強度之立體像素在 整體神經元形態上的重要性並在寬廣範圍的強度臨界值之下對每一個具非零訊號強度之立體像素指定一結構重要性分數。本發明從神經影像之整體結構評估立體像素為真實訊號的可能性。在通常的成像條件下，雜訊是隨機出現，且鄰近雜訊的叢聚不會偏向任何特定形狀。在另一方面，神經元形態之基本特徵係為由類一維度纖維所組成之類樹狀結構。具有由許多纖維及分支層級所組成之大型類樹狀結構之經連結立體像素集合非常不可能為隨機的雜訊。在如此結構中之立體像素應具有較高的存活可能性，或相同地在去除雜訊的程序期間具有較小地局部臨界值。類似的論點亦可應用於形成非常長的纖維之經連結立體像素。
第一圖係根據本發明之一較佳實施例顯示以高動態範圍臨界值切割單一神經元影像的方法之流程圖。如第一圖所示，首先對含有神經元之生物組織樣本進行取樣及備置，並以例如螢光染料將神經元染色，且利用例如共軛對焦顯微鏡對神經元進行三維成像，以得到含神經元之生物組織樣本的原始三維神經影像。接續，偵測原始三維神經影像中之神經元細胞核(soma)的位置，例如基於立體像素的最大類橢球形叢聚(cluster)的形狀。於一實施例中，上述偵測原始三維神經影像中之神經元細胞核(soma)的位置的步驟可為自動化的。接著，以一最小訊號強度臨界值例如第一訊號強度臨界值t 1對原始三維神經影像進行切割(濾除)，亦即濾除原始三維神經影像中訊號強度在上述最小訊號強度臨界值例如第一訊號強度臨界值t 1以下的立體像素。之後，對經切割(濾除)之三維神經影像執行追蹤(tracing)其骨架例如但不限於快速自動結構追蹤(FAST，fast automatically structural tracing)。接著，利用一方程式計算具有非零的訊號強度的立體像素之結構重要性分數，以得到第一次的結構重要性分數。於一實施例中，上述方程式可為但不限於如下所示： 其中，其中為第i個分支之長度，為第i個分支之後代分支的數量，為第i個分支之後代的數量，亦即第i個分支之後代共有幾代，為位於最小訊號強度臨界值處等於非零的數值之第75百分位數，若其小於20，則設定= 20，為第i個分支經過第j個切割後的結構重要性分數，又稱樹狀分支強健指數(arborization robustness index，ARI)，t j 為第j個訊號強度臨界值，t max為最大訊號強度臨界值，對於所有的訊號強度臨界值t，，L 0=6微米，係指第j個訊號強度臨界值t j 下，第i個分支的所有下游分支所形成的集合。p為屬於前述集合中的任一分支。G i (j)<G 0的意思是如果G i G 0，那麼此分支就已經會拿到分數，不用因為下游分支的長度來加分。最後的Σ求和是當第i個分支在第j個訊號強度臨界值本來沒拿到分數(亦即G i (j)<G 0)，但是它下游的第p個分支因為長度夠長而拿到分數，則第i個分支母以子貴，也會因為下游第p個分支得分而得分，此項可避免發生下游的第p個分支有分數而其上游第i個分支沒分數，造成整棵樹狀神經元中間斷掉而沒有完全連結的情形。上述，，L 0等可調參數之值，為一實施例中之設定，實際使用時，可依取像條件調整之。
接著，以稍微大於上述最小訊號強度臨界值之第二訊號強度臨界值t 2對原始三維神經影像進行切割(濾除)，亦即刪除原始三維神經影像中訊號強度在上述第二訊號強度臨界值t 2以下的立體像素。之後，對經切割(濾除)之三維神經影像執行追蹤(tracing)其骨架例如但不限於快速自動結構追蹤(FAST，fast automatically structural tracing)。接著，利用方程式計算具有非零的訊號強度的立體像素之結構重要性分數，以得到第二次的結構重要性分數。接續，以稍微大於上述第二訊號強度臨界值之第三訊號強度臨界值t 3對原始三維神經影像進行切割(濾除)，亦即濾除原始三維神經影像中訊號強度在上述第三訊號強度臨界值t 3以下的立體像素。之後，對經切割(濾除)之三維神經影像執行追蹤(tracing)其骨架例如但不限於快速自動結構追蹤(FAST，fast automatically structural tracing)。接著，利用方程式計算具有非零的訊號強度的立體像素之結構重要性分數，以得到第三次的結構重要性分數。
以此類推，分別再以第四訊號強度臨界值t 4、第五訊號強度臨界值t 5...第n個訊號強度臨界值t n(又稱最大訊號強度臨界值t max)對原始三維神經影像進行切割(濾除)，亦即分別濾除原始三維神經影像中訊號強度在上述第四訊號強度臨界值t 4、第五訊號強度臨界值t 5...第n個訊號強度臨界值t n以下的立體像素。於一實施例中，上述第一訊號強度臨界值t 1、第二訊號強度臨界值t 2、第三訊號強度臨界值t 3、第四訊號強度臨界值t 4、第五訊號強度臨界值t 5...第n個 訊號強度臨界值t n之間的間隔及範圍可依據原始三維神經影像之特性來決定。於一實施例中，上述第一訊號強度臨界值t 1、第二訊號強度臨界值t 2、第三訊號強度臨界值t 3、第四訊號強度臨界值t 4、第五訊號強度臨界值t 5...第n個訊號強度臨界值t n之間的間隔t step可為但不限於2或10。於一實施例中，n可為但不限於50。於一實施例中，上述各訊號強度臨界值之動態範圍R D可為但不限於100或400。之後，再分別對經切割(濾除)之三維神經影像執行追蹤(tracing)其骨架例如但不限於快速自動結構追蹤(FAST，fast automatically structural tracing)。接著，再分別利用方程式計算具有非零的訊號強度的立體像素之結構重要性分數，以分別得到第四次的結構重要性分數、第五次的結構重要性分數...第n次的結構重要性分數。之後，針對每一個非零的訊號強度的立體像素，分別將第一次的結構重要性分數、第二次的結構重要性分數、第三次的結構重要性分數...第n次的結構重要性分數加總，以得到該立體像素的加總結構重要性分數。
接著，基於上述加總結構重要性分數決定一結構重要性分數臨界值，又稱為遮罩(mask)m。於一實施例中，上述結構重要性分數臨界值可由使用者決定。之後，以結構重要性分數臨界值對原始三維神經影像進行切割(濾除)，亦即濾除原始三維神經影像中加總結構重要性分數在上述結構重要性分數臨界值以下的立體像素，因為視為雜訊。之後，對經切割(濾除)之三維神經影像執行追蹤(tracing)其骨架例如但不限於快速自動結構追蹤(FAST，fast automatically structural tracing)，以得到單一神經元重建影像。
快速自動結構追蹤係為一種強大的追蹤演算法，用以從大量資料萃取結構特徵。影像中之立體像素的「源場(source field)」係根據其距離起始點亦即神經元細胞核的最短路徑長度予以編碼。「標碼串(codelet)」係從細胞核起始，且沿著增加源場的方向進行。具有i-1與i+1之間的源場之立體像素係屬於標碼串之第i個位置。標碼串藉由增加i值而行進通過經連結的立體像素。當標碼串分裂成兩個標碼串時，從二個新的起始點(分別為二個新的標碼串的質量中心)分別開始追蹤二個新的分支。標碼串停留於下一個分支點或神經元的端點。標碼串之質量中心的軌道係定義分支的中心點。標碼串分裂處之中心點係定義分支點。局部追蹤(local tracing)程序係予以執行以1)將分支點從影像邊緣移回到中心線上的內部點，以及2)以額外的中心點填滿新的分支點與二個下游分支的起始點之間的空隙。快速自動結構追蹤(FAST)的最後結果會顯示分支的劃 分、每一個分支之起始點、分支點、端點以及神經元的骨架。
藉此，快速自動結構追蹤提供了每一個神經元之骨架中的所有關鍵點(包含分支點、中心點及端點)及所追蹤的神經元之每一分支的等級資訊。詳細的快速自動結構追蹤技術內容可參考美國專利申請案公開號第2011/0157177號，其內容併入本文中。從細胞核突出的第一個纖維係為具有世代G=1之主要神經纖維。除了主要神經纖維之細胞核以外之終端係為分支點，亦為G=2的神經纖維之起始點。從上游神經纖維(具有世代g)之分支點開始的分支係稱為上游神經纖維或母神經纖維之子神經纖維且具有世代g+1。子神經纖維係為母神經纖維之後代，子神經纖維之所有後代亦為母神經纖維之後代。具有大於之、大於之或較L 0長之長度之分支的立體像素將具有較高的可能性可以在高動態快速自動結構追蹤程序中存活，其中微調參數、及L 0係設定用以評估立體像素為真實訊號的可能性的準則。當訊號強度臨界值t j 增加時，會因而遞減，乃因在較高的訊號強度臨界值之下更多的分支將會被消除，且所有的將會減少。樹狀分支強健指數(arborization robustness index，ARI)可有效代表每一個立體像素在整體神經元形態中之重要性，而非其在原始三維神經影像中原始的訊號強度。
第二圖係根據本發明之一實施例顯示結構重要性分數計算之概要性實例之示意圖。於此實施例中，G 0=N 0=L 0=2。方框中的數字代表各個立體像素之原始訊號強度，方框旁列有各個G、N、L參數的數值以及所得之結構重要性分數a。第三圖係根據本發明之一實施例顯示第二圖中之每一個立體像素的某次計算所得之結構重要性分數。方框中的數字代表各個立體像素之結構重要性分數亦即樹狀分支強健指數。
本發明可包含不同的方法。本發明之方法可藉由硬體方式或軟體方式加以實施，其可用以使一般用途或特定用途之處理器或編程有指令之邏輯電路實施本方法。另則，本方法可藉由硬體與軟體的結合加以實施。
參閱第四圖，上述本發明所提出之以高動態範圍臨界值切割單一神經元影像的方法可實施於第四圖之運算裝置之儲存裝置或媒體406中，藉由處理器401與其他元件配合得執行以上所述之以高動態範圍臨界值切割單一神經元影像。部份之本發明可提供為程式產品，上述程式產品可包含電腦可讀儲存媒體，其具有程式指令儲存於其上，其可用以編程一處理器(或其他電子裝置) 以實施根據本發明之方法。電腦可讀儲存媒體可包含但不限於唯讀記憶體(ROM)、隨機存取記憶體(RAM)、可抹除可編程唯讀記憶體(erasable programmable read-only memory，EPROMs)、可電性式抹除可編程唯讀記憶體(electrically-erasable programmable read-only memory，EEPROMs)、快閃記憶體或其他類型之適於儲存電子指令之電腦可讀儲存媒體。
為利於達到本發明目的，本發明之以高動態範圍臨界值切割單一神經元影像的方法可配合第四圖例示之運算裝置實施或執行相關指令，此運算裝置係用以說明本發明而非用以限制本發明。如第四圖所示，運算裝置包含處理器401、記憶體402電性耦合到處理器401、顯示裝置403電性耦合到處理器401用以顯示資訊。輸入裝置404電性耦合到處理器401，用以輸入指令，如輸入裝置404可包含鍵盤或觸控面板。儲存裝置或媒體406包含唯讀記憶體、隨機存取記憶體、可抹除可編程唯讀記憶體、可電性式抹除可編程唯讀記憶體、快閃記憶體或非揮發性記憶體，其電性耦合到處理器401。儲存裝置或媒體406中可儲存濾除模組405、追蹤模組408、分數計算模組409以及加總模組410。資料輸入介面407電性耦合到處理器401，資料輸入介面407可包含有線資料輸入介面及無線資料輸入介面。有線資料輸入介面可包含通用序列匯流排(USB,universal serial bus)。無線資料輸入介面可包含藍牙(BLUETOOTH)及紅外線。
參照第五A圖及第五B圖，其根據本發明之一實施例顯示以高動態範圍臨界值切割單一神經元影像的方法之流程圖。如第五A圖所示，本發明之以高動態範圍臨界值切割單一神經元影像的方法500包含於步驟501備置一含神經元之生物組織樣本，並對含神經元之生物組織樣本進行單次三維成像，以得到單一原始三維神經影像。接著，於步驟502中，由濾除模組405分別濾除原始三維神經影像中訊號強度在第一訊號強度臨界值、第二訊號強度臨界值一直到第n個訊號強度臨界值以下的立體像素，以得到第一經濾除影像、第二經濾除影像一直到第n個經濾除影像。之後，於步驟503中，由追蹤模組408分別對第一經濾除影像、第二經濾除影像一直到第n個經濾除影像進行骨架追蹤，以得到第一經追蹤影像、第二經追蹤影像一直到第n個經追蹤影像。接續，於步驟504中，由分數計算模組409分別利用一方程式計算第一經追蹤影像、第二經追蹤影像一直到第n個經追蹤影像之每一立體像素的結構重要性分數，以得到每一立體像素的第一次結構重要性分數、第二次結構重要性分數一 直到第n次結構重要性分數。接著，於步驟505中，由加總模組410加總每一立體像素的第一次結構重要性分數、第二次結構重要性分數一直到第n次結構重要性分數，以得到每一立體像素的加總結構重要性分數。如第五B圖所示，之後，於步驟506中，決定一結構重要性分數臨界值。接著，於步驟507中，由濾除模組405濾除原始三維神經影像中加總結構重要性分數在結構重要性分數臨界值以下的立體像素，以得到單一神經元之三維影像，其中n為大於三的正整數。於一實施例中，n可為但不限於50。
雖已敘述本發明之較佳實施例，但此領域中具通常知識者將得以領會，本發明不應限於較佳實施例。反之，凡熟悉此領域之技藝者，在如下述之申請專利範圍所定義之本發明的精神及範圍內，可作若干更動及潤飾。
50‧‧‧以高動態範圍臨界值切割單一神經元影像的方法
501~507‧‧‧步驟

Claims (10)

  1. 一種以高動態範圍臨界值切割單一神經元影像的方法，包含：備置一含有神經元之生物組織樣本，並對該含有神經元之生物組織樣本進行單次三維成像，以得到單一原始三維神經影像；由濾除模組分別濾除該原始三維神經影像中訊號強度在第一訊號強度臨界值、第二訊號強度臨界值、第三訊號強度臨界值一直到第n個訊號強度臨界值以下的立體像素，以得到第一經濾除影像、第二經濾除影像、第三經濾除影像一直到第n個經濾除影像；由追蹤模組分別對該第一經濾除影像、該第二經濾除影像、該第三經濾除影像一直到該第n個經濾除影像進行骨架追蹤，以得到第一經追蹤影像、第二經追蹤影像、第三經追蹤影像一直到第n個經追蹤影像；由分數計算模組分別利用一方程式計算該第一經追蹤影像、該第二經追蹤影像、該第三經追蹤影像一直到該第n個經追蹤影像之每一立體像素的結構重要性分數，以得到每一立體像素的第一次結構重要性分數、第二次結構重要性分數、第三次結構重要性分數一直到第n次結構重要性分數；由加總模組加總每一立體像素的該第一次結構重要性分數、該第二次結構重要性分數、該第三次結構重要性分數一直到該第n次結構重要性分數，以得到每一立體像素的加總結構重要性分數；決定一結構重要性分數臨界值；以及由該濾除模組濾除該原始三維神經影像中該加總結構重要性分數在該結構重要性分數臨界值以下的立體像素，以得到單一神經元之三維影像，其中n為大於三的正整數。
  2. 如請求項1所述之以高動態範圍臨界值切割單一神經元影像的方法，其中在分別濾除該原始三維神經影像中訊號強度在第一訊號強度臨界值、第二訊號 強度臨界值、第三訊號強度臨界值一直到第n個訊號強度臨界值以下的立體像素之步驟之前，還包含偵測該原始三維神經影像中之神經元細胞核的位置。
  3. 如請求項1所述之以高動態範圍臨界值切割單一神經元影像的方法，其中該方程式包含以下所示之方程式： 其中，其中為第i個分支之長度，為第i個分支之後代分支的數量，為第i個分支之後代的數量，為位於最小訊號強度臨界值處等於非零的數值之第75百分位數，若其小於20，則設定，為第i個分支經過第j個切割後的結構重要性分數，t j 為第j個訊號強度臨界值，t max為最大訊號強度臨界值，對於所有的訊號強度臨界值t，，L 0=6微米，係指第j個訊號強度臨界值t j 下，第i個分支的所有下游分支所形成的集合，p為屬於前述集合中的任一分支。
  4. 如請求項1所述之以高動態範圍臨界值切割單一神經元影像的方法，其中該骨架追蹤包含快速自動結構追蹤。
  5. 如請求項1所述之以高動態範圍臨界值切割單一神經元影像的方法，其中決定一結構重要性分數臨界值之步驟係基於每一立體像素的該加總結構重要性分數。
  6. 一種電腦可讀儲存媒體，其具有程式指令儲存於其上，當該程式指令由一處理器執行時會使該處理器實施以下步驟：備置一含有神經元之生物組織樣本，並對該含有神經元之生物組織樣本進行 單次三維成像，以得到單一原始三維神經影像；分別濾除該原始三維神經影像中訊號強度在第一訊號強度臨界值、第二訊號強度臨界值、第三訊號強度臨界值一直到第n個訊號強度臨界值以下的立體像素，以得到第一經濾除影像、第二經濾除影像、第三經濾除影像一直到第n個經濾除影像；分別對該第一經濾除影像、該第二經濾除影像、該第三經濾除影像一直到該第n個經濾除影像進行骨架追蹤，以得到第一經追蹤影像、第二經追蹤影像、第三經追蹤影像一直到第n個經追蹤影像；分別利用一方程式計算該第一經追蹤影像、該第二經追蹤影像、該第三經追蹤影像一直到該第n個經追蹤影像之每一立體像素的結構重要性分數，以得到每一立體像素的第一次結構重要性分數、第二次結構重要性分數、第三次結構重要性分數一直到第n次結構重要性分數；加總每一立體像素的該第一次結構重要性分數、該第二次結構重要性分數、該第三次結構重要性分數一直到該第n次結構重要性分數，以得到每一立體像素的加總結構重要性分數；決定一結構重要性分數臨界值；以及濾除該原始三維神經影像中該加總結構重要性分數在該結構重要性分數臨界值以下的立體像素，以得到單一神經元之三維影像，其中n為大於三的正整數。
  7. 如請求項6所述之電腦可讀儲存媒體，其中在分別刪除該原始三維神經影像中訊號強度在第一訊號強度臨界值、第二訊號強度臨界值、第三訊號強度臨界值一直到第n個訊號強度臨界值以下的立體像素之步驟之前，還包含偵測該原始三維神經影像中之神經元細胞核的位置。
  8. 如請求項6所述之電腦可讀儲存媒體，其中該方程式包含以下所示之方程 式： 其中，其中為第i個分支之長度，為第i個分支之後代分支的數量，為第i個分支之後代的數量，為位於最小訊號強度臨界值處等於非零的數值之第75百分位數，若其小於20，則設定，為第i個分支經過第j個切割後的結構重要性分數，t j 為第j個訊號強度臨界值，t max為最大訊號強度臨界值，對於所有的訊號強度臨界值t，，L 0=6微米，係指第j個訊號強度臨界值t j 下，第i個分支的所有下游分支所形成的集合，p為屬於前述集合中的任一分支。
  9. 如請求項6所述之電腦可讀儲存媒體，其中該骨架追蹤包含快速自動結構追蹤。
  10. 如請求項6所述之電腦可讀儲存媒體，其中決定一結構重要性分數臨界值之步驟係基於每一立體像素的該加總結構重要性分數。
TW105121971A 2016-07-12 2016-07-12 以高動態範圍臨界值切割單一神經元影像的方法及其電腦可讀儲存媒體 TWI626621B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
TW105121971A TWI626621B (zh) 2016-07-12 2016-07-12 以高動態範圍臨界值切割單一神經元影像的方法及其電腦可讀儲存媒體
US15/369,897 US10002425B2 (en) 2016-07-12 2016-12-06 Method of segmenting single neuron images with high-dynamic-range thresholds and computer readable storage medium thereof

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW105121971A TWI626621B (zh) 2016-07-12 2016-07-12 以高動態範圍臨界值切割單一神經元影像的方法及其電腦可讀儲存媒體

Publications (2)

Publication Number Publication Date
TW201802774A true TW201802774A (zh) 2018-01-16
TWI626621B TWI626621B (zh) 2018-06-11

Family

ID=60941179

Family Applications (1)

Application Number Title Priority Date Filing Date
TW105121971A TWI626621B (zh) 2016-07-12 2016-07-12 以高動態範圍臨界值切割單一神經元影像的方法及其電腦可讀儲存媒體

Country Status (2)

Country Link
US (1) US10002425B2 (zh)
TW (1) TWI626621B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108983596A (zh) * 2018-08-08 2018-12-11 太原理工大学 基于广义互熵算法的orc系统单神经元控制器及其控制方法
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

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11263749B1 (en) * 2021-06-04 2022-03-01 In-Med Prognostics Inc. Predictive prognosis based on multimodal analysis
CN114494318B (zh) * 2022-02-17 2023-05-23 天津市眼科医院 基于大津算法的角膜动态形变视频提取角膜轮廓的方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7072515B2 (en) * 2001-01-26 2006-07-04 Rensselaer Polytechnic Institute Method and apparatus for automatically tracing line-structure images
US7742878B2 (en) * 2005-06-30 2010-06-22 National Tsing Hua University Bio-expression system and the method of the same
US7711165B2 (en) * 2005-07-28 2010-05-04 Siemens Medical Solutions Usa, Inc. System and method for coronary artery segmentation of cardiac CT volumes
TWI406181B (zh) * 2009-05-11 2013-08-21 Nat Univ Tsing Hua 一種建構和搜尋三維影像資料庫之方法
US8126247B2 (en) * 2009-05-19 2012-02-28 National Tsing Hua University Image preprocessing system for 3D image database construction
TWI415029B (zh) * 2009-12-25 2013-11-11 Academia Sinica 連續結構影像的量化分析自動追蹤演算法
US8593457B2 (en) * 2010-05-27 2013-11-26 National Tsing Hua University Method of three-dimensional image data processing
WO2012173976A2 (en) * 2011-06-17 2012-12-20 Carroll Robert G Methods and apparatus for assessing activity of an organ and uses thereof

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108983596A (zh) * 2018-08-08 2018-12-11 太原理工大学 基于广义互熵算法的orc系统单神经元控制器及其控制方法
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

Also Published As

Publication number Publication date
TWI626621B (zh) 2018-06-11
US10002425B2 (en) 2018-06-19
US20180018767A1 (en) 2018-01-18

Similar Documents

Publication Publication Date Title
Li et al. Deep learning segmentation of optical microscopy images improves 3-D neuron reconstruction
Wang et al. Histopathological image classification with bilinear convolutional neural networks
US20210248751A1 (en) Brain image segmentation method and apparatus, network device, and storage medium
TWI626621B (zh) 以高動態範圍臨界值切割單一神經元影像的方法及其電腦可讀儲存媒體
DE112011103687B4 (de) Zentromerdetektor und Methode zur Bestimmung der Strahlenbelastung durch Chromosomabnormalitäten
CN103218797B (zh) 血管图像处理与分析的方法和系统
DE102008023283B4 (de) Verfahren und System zur Segmentierung von schlauchförmigen Strukturen in 3D-Bildern
Ming et al. Rapid reconstruction of 3D neuronal morphology from light microscopy images with augmented rayburst sampling
Yang et al. A distance-field based automatic neuron tracing method
CN106682127A (zh) 图像搜索系统及方法
Hou et al. Semantic segmentation of vertebrate microfossils from computed tomography data using a deep learning approach
Liu et al. Using simulated training data of voxel-level generative models to improve 3D neuron reconstruction
Kromp et al. Deep Learning architectures for generalized immunofluorescence based nuclear image segmentation
Wu et al. Deep attentive feature learning for histopathology image classification
CN116797791A (zh) 一种基于深度学习的线粒体分割与分类方法
CN113763300A (zh) 一种联合深度上下文与卷积条件随机场的多聚焦图像融合方法
Cheng et al. DeepBouton: automated identification of single-neuron axonal boutons at the brain-wide scale
Luo et al. Neuron anatomy structure reconstruction based on a sliding filter
Li et al. Multi-focus image fusion with parameter adaptive dual channel dynamic threshold neural P systems
Shih et al. NeuroRetriever: automatic neuron segmentation for connectome assembly
Maleki et al. Ink marker segmentation in histopathology images using deep learning
Xu et al. Multi-scale context-aware networks for quantitative assessment of colorectal liver metastases
Wang et al. Selective extraction of entangled textures via adaptive PDE transform
Ren et al. Low dose CT image denoising using multi-level feature fusion network and edge constraints
Imtiaz et al. ConDANet: Contourlet driven attention network for automatic nuclei segmentation in histopathology images