基于序列切片图像的突触三维重建技术研究

第 1 章 绪论

1.1 研究背景和意义

人类大脑由100多亿个神经细胞构成，，相当于银河系中星体的总数，所以可以看做是一个“小宇宙”。然而，我们却对自己的大脑知之甚少。为了研究大脑的工作原理，美国于2013年宣布启动脑科学计划(Brain Research throughAdvancing Innovative Neuro technologies，BRAIN)[1]，欧盟和日本也紧随其后，分别启动了欧洲脑计划(The Human Brain Project)[2]和日本大脑研究计划(BrainMapping by Integrated Neurotechnologies for Disease Studies，Brain/MINDS)。而在中国，中国科学院早在2012年就已启动了战略性先导科技专项(B类)“脑功能联结图谱计划”(Mapping Brain Functional Connections，简称脑功能图谱)，充分体现了中国科学院的科学家们对脑科学研究的高度重视。此外，中国脑科学和智能技术相关领域的专家也就“脑科学与类脑科学研究”计划（简称“中国脑计划”）的启动达成了基本共识。

...............

1.2 微观重建技术的研究现状与展望

神经元标注和成像方法的相关研究已有 100 多年的历史，但是由于受限于计算机的存储和分析能力，对大规模突触尺度的神经环路的研究，直到最近几年才较大范围的开展起来。相应的，基于大体量神经解剖电镜图像数据集的计算分析、重建神经元形态以及整个神经环路，也成为了一个新的研究领域[3]。图 1-1 为不同尺度的脑图谱所蕴含的信息示意图。由图可知脑图谱所蕴含的信息与其探索的尺度密切相关，一般从宏观、介观和微观三个层面进行展开。其中微观重建即表示突触水平的神经结构的三维重建。

...............

第 2 章 序列图像的获取及预处理

2.1 实验平台简介

尽管近年来荧光显微镜的分辨率得到了很大的提升，电子显微镜仍然是突触成像以及观察与分析其形态特征等方面的唯一工具[21]。中国科学院自动化研究所微观重建与分析研究组在现有的电子显微镜等仪器设备的基础上，联合国内神经科学领域相关实验室，实现了脑微观结构重建平台的搭建工作，如图 2-1所示，图中表示的是该平台实现的样品制备、自动切片到电子显微成像、图像合成以及最后的三维重构等相关内容。

...............

2.2 样本等离子刻蚀技术

在生物样品制备和图像获取方面，目前很难获得兼具衬度一致性好、组织结构边缘锐度较理想的图像，且由于 SEM 成像主要采用图像获取速率较慢的背散射电子成像，导致生物组织样品的图像获取周期较长。其次，利用算法对已有报道中所获取到的背散射电子图像进行生物微观组织结构自动识别时遇到了较大挑战，主要表现在识别准确率和效率方面。因此，迫切需要寻找一种能快速获取到衬度一致性好、组织结构边缘锐度理想的生物组织电子显微图像的方法。

...............

第 3 章 自动化检测相关算法介绍...............10

3.1 引言................10

3.2 特征描述................11

第 4 章 突触的检测方法................23

4.1 引言.................23

4.2 基于 AdaBoost 算法的突触检测...............24

第 5 章 突触的分割与重建................29

5.1 引言................29

5.2 形态学运算...............29

第 6 章 实验结果性能分析

6.1 算法性能衡量标准

在机器学习、图像识别和信息索引等领域，一般采用 ROC 曲线（ReceiverOperating Characteristic curve）和 PR（Precision Recall）曲线作为算法优劣的衡量标准。ROC 曲线是用于描述灵敏度的功能图像，通过描述真阳性率（True PositiveRatio，简称 TPR）和假阳性率（False Positive Ratio，简称 FPR）来实现。其中TP（True Positives）是指预测为正样本，实际也是正样本的特征数；FP（FalsePositives）指预测为正样本，但实际上是负样本的特征数，因为错预测为了正样本，故称之为 False Positive。

...............

6.2 检测结果分析

图 6-2 表示 AdaBoost 的检测结果、AdaBoost 结合上下层信息得到的检测结果和AdaBoost算法结合上下层信息和随机森林三种方法累加得到的检测结果的PR 曲线，更加直观的反映了最终检测流程的有效性。从图 6-2 可以看出，采用 AdaBoost 算法对突触进行检测时，PR 曲线(下)中不同参数下的平均准确率均值(Mean Average Precision，mAP)为 0.6391。对AdaBoost 的检测结果，进行上下层信息关联之后，突触的检测率有所提升，对应的 PR 曲线(中)的 mAP 为 0.7409。在 AdaBoost 和上下层信息的基础上，使用随机森林方法得到的 PR 曲线(上)对应的mAP为0.7775。如表 6-1 所示，为不同检测结果对应的检测率对比。

...............

结论

本文提出一种适用于各向异性的序列图像的自动化三维重建流程，通过一系列的方法实现突触的自动化检测与分割从而实现突触的三维重建，其中的主要工作如下：首先，本文从特征和分类器两个方面介绍了采用传统的统计学习方法进行目标检测的流程。具体包括：在特征方面，着重介绍了 Haar 特征、LBP 特征和HOG 特征的特点、主要思想及相应的特征提取过程；在分类器方面，主要介绍了经典的 AdaBoost 检测分类器和随机森林分类器，并分别详细介绍了其各自的分类原理及训练过程。其次，本文详细介绍了突触的检测过程。以及检测时用到的三种检测方法。首先采用 AdaBoost 算法进行初步检测，该过程主要考虑查全率；然后根据突触在上下层序列图像中的延展性以及切片厚度的限制，采用上下层信息关联的方法对 AdaBoost 检测到的突触进行筛选过滤。最后，根据突触前后包含囊泡信息的差异性以及亮度的差异构造相应的特征，并采用随机森林的方式进一步对候选的突触进行过滤，以进一步提高突触的检测精度。

参考文献（略）