文摘
神经元的树突结构形状和对biosignal转导在神经元网络很重要。和解剖结构重建的神经元细胞在神经科学的最重要的挑战之一和重要的问题。准确的重建结果可以促进随后的神经元系统仿真。共焦显微技术的发展,研究人员可以在亚微米分辨率扫描神经元实验。这些使复杂的重建树突树变得更可行;然而,这仍然是一个繁琐,耗费时间,劳动强度的任务。几十年来,计算机辅助方法一直扮演着重要的角色在这个任务中,但是没有一个普遍的算法可以自动重建完整的解剖结构。所有这些使它必不可少的发展中重建的新方法。提出了一种管道与小说播种方法重建神经元结构三维显微镜图像栈。管道与一组初始化种子检测到滑动体积过滤(SVF),然后打开曲线蛇应用于检测种子重建完整的神经元细胞的结构。 The experimental results demonstrate that the proposed pipeline exhibits excellent performance in terms of accuracy compared with traditional method, which is clearly a benefit for 3D neuron detection and reconstruction.
1。介绍
高阶认知功能在人类的大脑复杂的流程与神经系统在不同生物水平(如分子水平、细胞水平和系统级)。轴突和树突分枝的形态学特性神经细胞表型的重要方面。这些属性保证神经元网络的连通性,从而促进了生物信号转导在神经系统1]。因此,描述神经元细胞的功能和解剖结构和网络是非常重要的对于理解大脑的工作方式在现代神经科学(2]。此外,神经系统的机制的理解也可以促进药物和疗法研究神经和精神疾病的治疗。
从显微图像中提取神经元形态学数据集是一个神经学研究的重点。准确和有效的重建协议可以促进研究神经细胞的功能和解剖结构和网络。不幸的是,手动重建神经元结构从显微镜图像数据集劳动强度和时间消耗,由于轴突乔木和树突在规模和结构非常复杂。因此,开发新的计算方法为神经解剖学研究尤为重要。在过去的几十年里,大量的算法和软件已经提出了这个任务,但大多数人取得了有限的成功。
因为科恩的研究小组提出了第一个完全自动化的3 d神经元跟踪算法(3),发表了大量的方法处理文献中相同的任务。一般来说,这些方法主要可以分为基于最小路径跟踪方法(4,5),最小生成树方法(6,7),连续跟踪方法(8,9)、骨架化方法(3,10),神经肌肉投射纤维跟踪方法(11- - - - - -16),和基于活动轮廓的跟踪方法17,18]。基于最小路径跟踪方法,算法进行图像亚区而不是整个图像,但是这些方法不能提取的确切中心线的管状结构,如血管和神经元纤维。最小生成树的方法,首先发现了严重的重要种子点,然后发现种子链接到树表示,如MDL-MST法和k-MST法(6,7]。连续跟踪方法从一组种子点开始,但这些方法的结果影响前景不连续,如缝隙和孔洞,这些缺陷需要额外或预处理过程后克服(8,9]。骨架化方法主要传送点扩散函数基于协议跟踪神经解剖学结构,但是他们也容易产生循环和热刺,需要额外的后处理来平滑噪声(10]。基于活动轮廓的方法尤其有吸引力的神经元追踪和重建是最雇佣协议这个任务(17,18]。施密特的研究小组提出了第一个活动轮廓跟踪方法(17),神经元骨架是参数化的4 d snaxels集的特点是它的位置和半径(17]。但这种方法需要手动设置一些分支,结局,和其他重要点。Vasilkoski和Stepanyants18)提出了一种新的优化方法基于活动轮廓的跟踪。后,Roysam的团队提出了一个开放的基于曲线蛇的跟踪方法是广泛应用于这一领域19),它可以让用户能够完全自动化处理和跟踪控制,但这种方法只能处理不同的神经元边缘图像数据集和无法获得准确的神经元在模糊的边界半径(19]。除此之外,还有一些自动跟踪工具,如Neuromantic [20.),简单的神经突示踪剂(21],NeuronJ [22,跟踪工具的完整列表,可以成立于梅耶尔的调查报告23]。然而,大多数这些工具还需要手动援助重建树突和轴突的乔木。因此,自动化3 d神经解剖学跟踪工具需要持续改进在未来的时间。
传统上来说,跟踪的管道被严重的初始化预处理方法,其次是一个临界点检测过程,被称为播种。然后,这些点被中心线提取方法,联系,最后,半径估计应用于重建完整的结构(17]。如图1,完整的管道在工作流程组织。在这个管道,作为一个关键步骤,优秀的播种方法可以保证骨架化后的准确性。种子有两种方法:(i)细分和(2)过滤。第一个是基于分割过程中,图像的卷由神经元组织分开,比如三维稀疏算法,但是该方法对噪声敏感。第二种方法是使用一个过滤器来提高行元素。佐藤的24)集团提出了一个三维多尺度班轮图像滤波器来提取医学图像的关键属性。该方法采用组合海赛矩阵特征值的图像强度。这种方法后,Pizer集团提出另一种方法基于核的概念,发现内侧点对面的关联对象的边界点(25]。但是大部分的种子点检测到这些方法分配不均匀,位于非关键位置(19]。
半径估计是另一个重要的部分在这个管道,因为这是必不可少的神经元系统仿真(23]。痘痕的方法在很大程度上接受了许多跟踪任务,本文还使用管状的半径估计。
在本文中,我们提出了一种新的三维图像滤波器称为滑动体积滤波器(SVF)神经元提高3 d图像数据集,然后列出的大多数像素点被选为最后的种子点。然后,一个开放的曲线蛇来重建神经解剖结构。与传统的种子检测方法相比,SVF方法可以改善神经解剖学结构三维跟踪的准确性。最后,半径估计应用于跟踪未来功能仿真的结果。和本文的其余部分组织如下:数据集收集和方法设计说明部分2,给出了实验结果和讨论部分3,得出了最后的结论部分4。
2。方法
我们的作品大大Roysam相关的管道神经元重建,这是基于开放曲线蛇跟踪(19]。本文设计了SVF播种的提高空间管状区域,它可以提供种子点自动open-snake模型的初始化。最后,痘痕的方法申请半径估计(23]。
SVF从二维扩展滑动带通滤波器(SBF)。因为它是Quelhas中描述的工作(26),2 d SBF可以检测图像中圆形凸区域。这是首先介绍了用于检测细胞中心在2 d显微图像26]。最近,我们的研究小组采用SBF检测部分的图片猫视网膜细胞(27),另一个转换SBF探测光场中的昆虫细胞显微图像(28]。3 d体积数据集,一个圆形的凸区域是一样的,他们在2 d图像梯度向量分布,我们称之为空间凸区域。
2.1。这篇论文使用的数据集
在本文中,我们选择两种数据集来验证我们提出的播种方法。图2显示了一个螺旋图像体积数据这是一个经典的测试数据在神经元跟踪19]。图3是果蝇嗅觉轴突图像体积数据,这个图像数据集是首先为单细胞设计标签和图像配准。这两个数据集的可视化使用射线铸造算法在我们的工作和所有的跟踪算法进行这些卷数据集。
2.2。二维滑动带通滤波器(SBF)
介绍SVF, 2 d SBF的概念对理解很重要。2 d SBF是收敛指数(CI)家族中的一员,首先介绍了用于检测细胞中心在2 d显微图像26]。与大多数衬垫过滤器的小支持区域(像素,),SBF过滤器有一个更大的支持。它有一个乐队在固定宽度的支持区域,每个半径方向和位置变化的允许最大化平均收敛指数的频带宽度。图4表示支持地区SBF和被定义为 在哪里 在哪里和代表的列和行梯度图像的位置,代表支持区域的行数辐照中心像素,代表了滑动带宽度,代表了乐队的毒线从支持地区中心来,代表梯度向量之间的夹角和方向的。
2.3。SVF种子检测
在SVF之前,这一部分首先介绍了空间收敛指数(SCI)的概念;参见图5。点原点在3 d空间和支持的中心地区吗。点体素在支持地区吗,其坐标相对于是。支持区域的半径是。代表的梯度向量之间的夹角和。的科学相对定义如下:
然后,SCI的点支持地区计算 在哪里支持地区是体素的数量吗。基于这些概念,SVF被定义为 在哪里 在哪里表示支持的部分地区,代表了区域线的支持th部分,代表的厚度滑动体积。SVF的计划是描绘在图6。
种子检测跟踪之前是一个关键的步骤,它可以提供种子点自动open-snake模型的初始化。摘要种子点是被SVF过滤体素分布从起始位置到结束位置体积数据首先,然后选择候选人的种子如果他们极端的垂直面船/轴突。发现种子然后按SVF响应值,从最大到最小值,并创建了一个种子列表跟踪。
2.4。神经元跟踪模型
准确的神经解剖学结构重建是在神经病学导入任务。在本部分中,初始点选择后SVF过滤器,一个open-curve蛇神经元模型三维跟踪用于重建完整的结构。open-curve蛇是一个参数开放曲线模型。让,让蛇能量最小化 在哪里代表了平滑约束的内部能量: 在哪里和代表了“弹性”和“刚度”蛇,分别 在哪里 在(8),和“弹性系数”和“刚度系数”,分别在内部能量,他们嵌入式曲线的规律。被选为0,并设置被选为0和。在(10外部能量项),用于使蛇变形沿中心线的神经元纤维是负的归一化梯度向量流,是一个加权参数,是第一个主方向的雅可比矩阵,和非零项位于尾部和蛇的最终指向正确的方向。
2.5。半径估计
在接下来的工作,提供更详细的信息功能仿真,半径估计应用于每一个点上跟踪后的蛇。如图9,痘痕的方法适用于边界测量检测管边缘(23]。该卷的边缘,它被定义为一个圆形居中这是一个种子点,如图9。方程(11)描述了边界如下: 在哪里径向向量- - - - - -点面蛇和是圆上的点的梯度大小。半径采样在圆在一定角距离和摘要吗是设置为8的圆半径。
3所示。结果与讨论
对所有图像数据集,以下参数被选为默认设置视觉估计神经元的平均半径截面的直径。为种子检测、参数,分别被选,其余参数SVF被选为,,”,所有参数的单位是像素。“比较测试数据集播种结果之间阈值法和SVF法结果表明SVF方法的一个很好的检测结果的种子检测。图7显示了传统阈值播种方法和一些种子点的真实边缘的螺旋的身体,头灯有红色箭头。和图8是相同的角度如图7并表明SVF播种方法可以检测大多数种子临界点的候选人。从SVF检测种子点的跟踪后,测试数据集生成准确的整体结构如图10。
我们能将书本知识运用于实际数据集时,SVF播种方法可以检测的大部分关键种子点的身体嗅觉轴突,如图11。阈值播种方法是这里没有显示其业绩不佳。在指定的分支点,打开曲线的跟踪结果蛇如图12,它清楚地表明,几乎所有的解剖学结构重建后跟踪。
跟踪整个结构之后,嗅觉的半径轴突估计作为功能的后续过程模拟。如图13,灰色和黑色区域代表身体嗅觉的轴突,绿线代表中央的嗅觉轴突,和蓝色的环代表了每个部分的半径从中央线,它描述了大部分的半径是估计的方法。图14展品红色矩形区域的放大图13。和另一个红色矩形区域的放大图14如图15。
在图15嗅觉轴突的宽度,估计半径,中线分别标记。这个任务是未来功能神经元模拟本文中没有讨论。
4所示。结论
本文提出了一种新颖的基于空间SVF播种方法神经元重建从微观图像数据集收集的共焦显微镜。播种的结果比较表明,SVF方法可以检测种子点准确的测试数据集和检测中大部分的临界点嗅觉轴突的数据集。蛇打开曲线跟踪后,这两个数据集的结构重建SVF种子。在过去我们工作的一部分,一个半径估计方法应用于未来的功能仿真的跟踪结果。
最后,值得注意的是,这种方法可以清楚的协议是一项有利于播种任务神经元跟踪。然而,显微镜下产生的不均匀照明也是一个关键因素影响播种精度。因此,一些光照校正方法将研究改进我们的方法在未来的作品。
利益冲突
作者宣称没有利益冲突有关的出版。
确认
这项工作部分是由中国国家自然科学基金会(国家自然科学基金委)批准号61173086和仁川国际合作研究大学的格兰特在2012年。