神经元轴突、树突分类方法

摘要: 本发明涉及神经元图像处理领域,尤其是神经元轴突、树突分类方法。背景技术:1、神经元是神经系统结构和功能的基本单位,其形态特征是神经元类型鉴定、神经环路解析以及脑...
神经元轴突、树突分类方法

本发明涉及神经元图像处理领域,尤其是神经元轴突、树突分类方法。

背景技术:

1、神经元是神经系统结构和功能的基本单位,其形态特征是神经元类型鉴定、神经环路解析以及脑功能研究的核心基础。随着显微光学成像和数字重建技术的快速发展,研究者已经能够获取大量三维神经元形态数据,并以标准化的swc格式进行存储和共享。swc文件通过一系列带有三维坐标、半径、父节点连接关系及类型标签(如胞体、轴突、树突)的节点,完整描述了神经元的树突和轴突骨架结构。目前,国际上最大的神经元形态数据库neuromorpho.org已收录超过二十万个神经元的swc重建数据,这些数据被广泛用于神经元分类、计算建模及脑图谱绘制等工作。

2、在典型的神经科学研究流程中,研究人员首先通过病毒示踪、稀疏标记等技术对特定神经元进行标记,然后利用光学显微镜(如fmost、stpt)获取全脑图像数据,最后通过手动或半自动重建软件(如neurolucida、vaa3d等)沿神经纤维走向逐点追踪,生成原始的swc文件。然而,在重建过程中,操作者通常仅按照纤维走向连续采样,并未对轴突和树突进行功能性的区分标记。因此,重建完成的swc文件中,所有神经突节点往往被暂时标记为同一类型(例如类型0或未定义),或者仅笼统地标记为“树突”。为了满足后续的形态分析需求(例如计算轴突与树突的长度比例、分析两者的分支模式差异、判断神经元所属的投射类型等),研究人员必须借助专业软件,由具备神经解剖学知识的专家人工逐一对每个神经元的轴突和树突进行划分和重新标记。

3、目前,最常用的轴突-树突划分方法为人工手动划分法。该方法依赖于专业的神经元形态编辑软件(如neurolucida、vaa3d、neuronj、neutube等)和操作者的神经解剖学经验。

4、以业界广泛使用的开源软件vaa3d为例,操作者需要在软件内加载目标swc文件,以及对应的原始显微图像堆栈,用于在划分过程中对照验证神经突的连续性。使用鼠标拖拽、滚轮缩放功能,从不同角度观察神经元整体形态,初步判断哪些突起分支较为粗短、分支密集(通常为树突),哪些突起细长、延伸距离远(通常为轴突)。然后在胞体附近寻找第一个出现分支的节点。对于皮层锥体神经元等典型细胞类型,轴突通常从胞体的基底部分或一个主要树突干的对侧发出,而树突则围绕胞体呈放射状分布。操作者需要反复旋转视图,比较各分支的形态学特征,包括:

5、(1)走向特征:轴突往往向远处投射(可跨越数毫米),而树突大多局限在胞体周围数百微米范围内。

6、(2)粗细特征:轴突在起始段后通常迅速变细,而树突的直径衰减较为平缓。

7、(3)分支模式:树突分支角度较大,呈树冠状;轴突分支角度较小,常呈平行或小角度分叉。

8、(4)空间分布:在已标记特定脑区图谱的情况下,若分支进入白质区域,则高度倾向于轴突。综合以上特征,选定一个最可能的分支点作为“轴突-树突分界点”,从分界点开始,框选一段连续的节点及其对应的分支部分,通过软件预设标签选项定义哪个为树突部分,哪个为轴突部分。

9、修改完成后将文件保存为新文件,从而完成一个神经元重建结果的轴树突划分。

10、上述人工划分轴突与树突的方法在实际应用中存在显著的缺陷,具体表现在以下几个方面:

11、首先,人工划分极其耗时耗力,难以满足高通量数据处理的需求。随着自动化成像技术与重建算法的进步,单个研究项目产生的神经元重建数量已从过去的几十个增长到成千上万个。对于每一个神经元,专家需要从胞体出发,沿着树突和轴突的纤维路径反复比对、追踪,判断其走向和形态特征,才能确定分界点并分别标记。完成一个中等复杂程度的神经元划分通常需要数分钟至数十分钟。面对数千个神经元,即使多名专家全职投入,也需要数月时间,这已成为制约大规模神经元形态学研究的瓶颈。

12、其次,人工划分的主观性强,导致数据标准不一,可重复性差。不同专家对轴突和树突的判断标准存在差异:一些人更依赖纤维的粗细和分支角度,另一些人则更关注投射距离和终点区域。即使是同一专家,在不同时间点对同一神经元的划分也可能出现偏差。这种主观性使得不同实验室、甚至同一实验室内部产生的数据难以进行跨实验、跨批次的整合比较,严重影响了数据的标准化和再利用价值。

13、再次,人工划分对操作者的专业要求极高,阻碍了技术的普及。准确区分轴突和树突需要扎实的神经解剖学知识以及丰富的实践经验,这对于刚入行的研究生或非本领域的研究者而言是一个很高的门槛。这种依赖“师傅带徒弟”式的知识传承方式,不利于该技术的规模化推广和广泛应用。

14、最后,现有的一些自动或半自动方法难以直接解决该问题。目前已有一些基于深度学习的方法对神经元进行分类(例如判断是“锥体细胞”还是“篮状细胞”),但这些方法关注的是整体类型的判别,而非对单个神经元内部结构的精细分类。此外,还有一些针对swc文件的验证和格式转换工具,但它们并不具备区分轴突和树突的生物学功能。

技术实现思路

1、本发明的目的就是为了解决现有技术中存在的上述问题,提供一种神经元轴突、树突的分类方法。

2、本发明的目的通过以下技术方案来实现:

3、神经元轴突、树突的分类方法,包括如下步骤:

4、s1,获取原始swc文件,基于所述原始swc文件生成神经元的树形拓扑图;

5、s2,从所述神经元的树形拓扑图中确定出一个主分支点;

6、s3,确定所述主分支点的两个主要子树的类别得到初步分类结果;

7、s4,基于置信度值传播算法对所述初步分类结果进行精化得到最终分类结果;

8、s5,依据最终分类结果更新原始swc文件并输出更新后的swc文件。

9、优选的,s2包括:

10、s21,根据所述树形拓扑图确定出候选分支点;

11、s22,确定每个候选分支点的子树不对称性评分、空间分离度评分、拓扑距离评分及形态差异评分;

12、s23,根据每个候选分支点的子树不对称性评分、空间分离度评分、拓扑距离评分及形态差异评分求出每个候选分支点的综合评分;

13、s24,将综合评分最高的候选分支点作为所述主分支点。

14、优选的,所述s23中,每个候选分支点的综合评分是将其子树不对称性评分、空间分离度评分、拓扑距离评分及形态差异评分进行加权求和得到。

15、优选的,在确定每个所述候选分支点的子树不对称性评分、空间分离度评分、拓扑距离评分及形态差异评分的权重时,先确定所述树形拓扑图的全局形态特征,然后根据全局形态特征确定是否需要调整权重,若是,则根据预设规则调整权重,若否,则使用默认权重。

16、优选的,所述子树不对称性评分、空间分离度评分、拓扑距离评分及形态差异评分对应的默认权重依次为0.4、0.3、0.2、0.1。

17、优选的,所述树形拓扑图的全局形态特征包括全局分支比率、全局空间伸展度、全局最大拓扑深度。

18、优选的,所述s3包括:

19、s31,将所述主分支点的全部直接子树划分为两个互斥的主要子树;

20、s32,分别确定两个所述主要子树的远端尺度特征值、密度特征值及方向特征值;

21、s33,确定两个所述主要子树的远端尺度特征值的差值的绝对值是否超过第一设定值,若是,确定远端尺度特征值较大的主要子树为轴突,远端尺度特征值较小的主要子树为树突;若否,执行s34;

22、s34,确定两个主要子树的密度特征值的差值的绝对值是否超过第二设定值,若是,确定密度特征值较大的主要子树为树突,密度特征值较小的主要子树为轴突;若否,执行s35;

23、s35,确定两个主要子树的方向特征值的差值的绝对值是否超过第三设定值,若是,则将方向特征值较高的主要子树确定为轴突,方向特征值较小的主要子树确定为树突;若否,执行s36;

24、s36,将两个主要子树中节点数量较多的主要子树确定为轴突,节点数量较少的主要子树确定为树突。

25、优选的,所述s4包括:

26、s41,对所述初步分类结果进行异常检测,在检测出异常时,进行异常修正;

27、s42,为所述主分支点及其下游的所有节点赋予初始置信度值;

28、s43,更新所述主分支点及其下游的所有节点的置信度值;

29、s44,对位于轴突、树突边界上且置信度值低于预设阈值的边界节点执行重分类及更新置信度值;

30、s45,迭代执行s43-s44至所述主分支点下游的所有节点的置信度值收敛,得到最终分类结果。

31、优选的,所述s43中是根据如下公式更新每个节点的置信度值:

32、更新后的节点置信度值=0.7×节点当前的置信度值+0.3×同标签邻居支持比例。

33、优选的,所述s5中还输出质量评估报告。

34、本发明技术方案的优点主要体现在:

35、本发明通过多特征融合与多级规则分层决策,实现了轴突与树突的高效自动分类,该方法在达到与专家相当的精度的同时,具有高度一致性和可重复性,并能够适应不同脑区和类型的神经元形态差异,显著提升了大规模神经元形态分析的整体效率。此外,本发明具有良好的可解释性,并可自动生成质量评估报告有效,为用户提供对分类结果可靠性的量化考,便于识别可能需要人工复核的低置信度值区域。