面向神经递质成像的血管自适应抑制与信号量化方法

本发明属于生物医学图像处理与神经科学，具体涉及一种面向神经递质成像的血管自适应抑制与信号量化方法。本发明特别适用于微型荧光显微镜（miniscope）采集的基因编码神经递质探针（sensor）在体成像序列的处理，包括多巴胺、去甲肾上腺素、乙酰胆碱、谷氨酸等神经递质释放动态观测场景；同时，本发明的方法及系统亦具备向在体钙成像、电压成像等更广泛的荧光显微成像场景迁移的泛化能力。本发明通过精准区分呈管状暗结构的脑血管与呈圆形或椭圆形亮斑的神经递质sensor表达区域，实现血管伪影的高保真抑制与神经递质信号的高精度量化。

背景技术：

1、微型荧光显微镜（miniscope）是近年来神经科学领域的核心工具之一，能够在自由活动的动物头部佩戴状态下，实现对深部脑区神经元活动的高时分辨成像。随着基因编码荧光探针技术的快速发展，除传统的钙离子探针（如gcamp系列）外，针对特定神经递质（如多巴胺、去甲肾上腺素、乙酰胆碱、谷氨酸等）的基因编码sensor（如dlight、grab系列等）已广泛应用于在体神经递质释放动态观测。这些神经递质探针的表达模式与钙探针存在显著差异：sensor通常表达于目标神经元周围或细胞外间隙，在基线图像中呈分散的圆形或椭圆形亮斑，灰度略亮于或接近背景；而在电刺激或行为诱发下，神经递质释放导致探针荧光强度显著升高，形成局部团块状高响应区域。

2、然而，miniscope采集的神经递质探针成像序列面临以下关键技术瓶颈：

3、第一，血管伪影严重干扰神经递质信号提取。脑组织中丰富的血管网络在荧光图像中呈现为管状暗结构，且伴随心跳、呼吸存在节律性亮度波动。在神经递质探针成像中，血管与sensor信号在灰度、形态及动态响应上呈现复杂的可区分性：血管为管状暗结构、基线偏暗、伴随心跳呼吸产生节律性波动；sensor为圆形或椭圆形亮斑、基线略亮或接近背景、在刺激诱发期产生局部团块状高响应。传统方法通常依赖简单阈值或固定模板进行血管区域排除，难以同时兼顾血管漏检与sensor信号误删：保守阈值导致血管残留污染dff，激进阈值则易将高响应sensor误判为血管而错误抑制。

4、第二，低对比度条件下的血管检测鲁棒性不足。miniscope受限于光学通量与照明功率，荧光图像信噪比通常较低，血管与周围组织的灰度差异微弱。基于全局阈值或单一滤波器响应的方法难以兼顾细血管检测与噪声抑制，经常出现血管断裂、碎片化或过度膨胀等问题，进而破坏sensor信号的空间完整性。

5、第三，硬边缘抑制引入显著伪影。现有方法在掩膜边界处通常采用硬截断（掩膜内直接替换为固定值），导致边界两侧出现灰度跳变，在deltaf/f计算中产生虚假的边缘响应伪影，对神经递质释放产生的微弱dff信号造成严重干扰。

6、第四，基线估计受刺激响应与血管波动污染。神经递质释放通常由电刺激或特定行为诱发，刺激期的强响应若被纳入基线统计，将导致deltaf/f系统性偏低；同时血管区域的节律性亮度波动会混入基线，导致非血管区dff出现系统性偏差。传统基线估计多采用算术均值或简单中位数，对离群值敏感且缺乏空间漂移校正。

7、第五，运动时序稳定性差。动物自由活动不可避免地引入帧间位移，现有单阶段配准方法在低对比度荧光场景下精度不足，且配准过程中的线性滤波会削弱微弱sensor信号；此外缺乏参考帧质量评估机制，长期记录中易出现配准漂移。

8、第六，掩膜时序抖动破坏信号连续性。逐帧独立更新掩膜会导致血管抑制区域在时序上不断变化，使得同一空间位置的像素在某些帧被抑制、另一些帧不被抑制，产生虚假的时序跳变信号，对神经递质释放时序分析造成致命干扰。

9、针对上述问题，本发明提出一种融合多模态血管联合检测、自监督深度特征学习、双阶段运动矫正、掩膜稳定化与误判自检、软边缘羽化填充及huber稳健基线估计的完整技术方案，在精准区分管状暗血管与圆形或椭圆形亮斑sensor信号的基础上，实现血管高保真抑制与神经递质信号高精度量化。

技术实现思路

1、本发明的目的在于提供一种面向神经递质成像的血管自适应抑制与信号量化方法，解决神经递质sensor成像中血管漏检、sensor信号误删、硬边缘伪影、基线漂移、运动时序不稳定及掩膜时序抖动等关键技术问题。

2、面向神经递质成像的血管自适应抑制与信号量化方法，包括以下步骤：

3、步骤1、输入源的解析与边缘暗区自适应检测，获取整个图像序列。

4、步骤2、对整个图像序列实施双阶段帧间运动矫正。

5、步骤3、对矫正后的整个图像序列进行初始稳健基线估计，得到初始基线图像集合。

6、步骤4、构建多模态血管掩膜，基于初始基线图像执行多模态血管联合检测。

7、步骤5、自监督深度血管特征学习，将多尺度frangi血管增强响应图、hessian血管度及局部对比度按设定权重融合，后进行分块自适应阈值分割、断点连接及形态精细修复。

8、步骤6、掩膜稳定化与误判自检，预运行稳定期、计算共识血管掩膜、校验最近掩膜一致性及剔除误判的sensor信号。

9、步骤7、自适应刺激窗口检测，基于非血管区信号变化率与滑动方差的双阈值刺激窗口检测。

10、步骤8、非血管区稳健基线估计与漂移校正，执行大尺度、中尺度及边缘渐晕三级基线漂移校正。

11、步骤9、软边缘羽化填充得到统一硬掩膜，基于距离变换的自适应羽化及局部自适应填充值的计算。

12、步骤10、统一化deltaf/f响应图计算与输出，全帧统一抑制后的基线重估计、全局colorbar范围统计及流式热图视频输出。

13、进一步的，步骤1具体实现如下：

14、解析输入源中的.raw单文件、.tif多帧单文件或多.tif文件夹，获取图像宽度、高度及总帧数n，得到整个图像序列；对整个图像序列进行流式边缘暗区检测，生成边缘掩膜；

15、进一步的，步骤2具体实现如下：

16、第一阶段采用多尺度相位相关算法进行整数像素粗对齐；

17、第二阶段采用ecc增强相关系数算法进行亚像素精化；

18、在运动矫正过程中，引入基于互信息的自适应参考帧更新机制，每次到达更新间隔时，计算当前帧与参考帧的互信息评分，当评分超过历史最优评分指定倍数或运行帧数达到三倍更新间隔时，自动替换参考帧；最后对序列施加中值滤波平滑；

19、所述的多尺度相位相关算法实现过程中，先对参考帧与当前帧执行对比度归一化，再进行全局线性拉伸，随后构建多尺度金字塔，其中的度因子为，其中；（换成公式形式）；在多尺度金字塔每层通过hanning窗加权后计算fft互功率谱，经逆fft获取相位相关峰值，并通过二次插值实现亚像素精化；

20、所述亚像素精化，在裁剪掉指定大小的边界区域后，计算参考帧与当前对齐帧的互相关系数；引入梯度加权策略，以抑制低梯度噪声区域对配准的干扰；

21、所述的指定大小margin 为：

22、所梯度加权策略中的权重设置为：

23、进一步的，步骤4具体实现如下：

24、4-1.结构暗管检测：对初始基线图像进行照明归一化，计算多尺度frangi血管增强响应图，尺度集合覆盖[1,2,3,4,5,6]像素；排除边缘掩膜后基于背景中位数和mad统计设定自适应阈值th_dark；对高于自适应阈值的区域施加管状拓扑约束，要求连通域的延伸率大于设定延伸率阈值，或连通域面积大于面积阈值；；

25、其中，表示背景中位数，表示绝对偏差mad；

26、4-2.deltaf/f高响应管状检测：从整个图像序列中选取响应最强的min(30, n)帧，计算平均绝对deltaf/f响应图，对该响应图再次进行frangi多尺度增强，尺度集合为[1,2,3,4,5]，并以相同mad统计设定自适应阈值提取高响应管状区域；

27、4-3.边缘暗环伴随检测：在已检测的血管的结构暗管区域和高响应管状区域内，基于梯度幅值与局部暗度检测血管边缘伴随暗环；

28、4-4.三重判据融合：将结构暗管区域、高响应管状区域及边缘暗环区域进行逻辑或的融合，对生成的融合掩膜施加连通域验证，要求每个连通域至少满足结构暗管区域或高响应管状区域的特征之一；

29、4-5.大血管完整性保护：检测融合掩膜中可能被误判为两条细血管的单条大血管区域，在结构暗管区域和高响应管状区域中检查基线灰度连续性，若两条分离血管段之间的中间区域平均暗度大于设定暗度阈值，则将整个连通域合并为单条大血管区域，得到更新后的融合掩膜；

30、4-6.对更新后的融合掩膜进行边缘平滑过渡与面积控制；

31、进一步的，步骤5具体实现如下：

32、5-1.构建融合增强图：将多尺度frangi血管增强响应图、hessian血管度及局部对比度按设定权重融合；

33、5-2.分块自适应阈值分割：将融合增强图划分为多个像素块，在每个像素块内基于mad统计设定阈值；

34、5-3.连续性修复：对融合增强图通过闭运算填补微小间隙；

35、5-4.响应验证与形态约束：基于融合增强图施加管状拓扑约束；同时排除圆形或椭圆形亮斑区域；

36、5-4.精细修复：基于血管形态学对每个连通域进行膨胀搜索，将增强值高于增强阈值或低于背景阈值的邻近像素回收至血管掩膜；

37、进一步的，步骤6具体实现如下：

38、6-1.预运行稳定期：设定稳定期帧数为min(n, max(300, round(n 0.20)))，在稳定期内以固定间隔更新血管掩膜；

39、6-2.计算共识血管掩膜：仅使用稳定期后50%的历史血管掩膜进行投票，投票阈值设为稳定期后50%的血管掩膜数量的50%，若共识面积超过中位面积阈值，则逐步提高投票阈值至稳定期后50%的血管掩膜数量的95%以抑制过度膨胀；

40、6-3.最近掩膜一致性校验：计算最近血管掩膜与共识血管掩膜的交并比iou，若iou大于设定交并比上位阈值且面积在允许范围内，则采用最近血管掩膜；若iou小于等于设定交并比上位阈值且大于交并比下位阈值，则使用共识血管掩膜与膨胀后最近血管掩膜的交集进行细化；

41、6-4.剔除误判的sensor信号：基于deltaf/f响应图，对共识血管掩膜中的每个连通域执行四重判据检查：形态非管状、区域面积在设定像素范围内、基线不暗、显著高于背景响应；对同时满足四重判据的区域，检查其与剩余的共识血管掩膜是否保持在设定的距离阈值；

42、进一步的，步骤4还包括sensor信号保护机制，基于基线亮度与形态双重校验预先识别有效sensor信号区域，在归一化基线图上，将灰度值高于灰度指定阈值的区域标记为不暗连通域；对每个不暗连通域，计算其二阶矩特征值以得到延伸率，并统计区域平均亮度与周围多像素环状背景亮度的比值；仅当连通域同时满足延伸率、亮度比、绝对亮度阈值时，才判定为神经递质有效sensor信号并进行保护；

43、灰度指定阈值，其中global_median 为归一化基线图像的全局灰度中位数，global_mad 为归一化基线图像灰度值相对于全局灰度中位数的绝对偏差。

44、进一步的，本发明还提供一种面向神经递质成像的血管自适应抑制与信号量化系统，该系统包括：

45、输入解析模块：用于解析输入源中的.raw单文件、.tif多帧单文件或多.tif文件夹，获取图像宽度、高度及总帧数n，得到整个图像序列；对整个图像序列进行流式边缘暗区检测，生成边缘掩膜。

46、双阶段运动矫正模块：用于执行多尺度相位相关粗对齐与ecc亚像素精化，并支持互信息驱动的自适应参考帧更新；且在运动矫正过程中，引入基于互信息的自适应参考帧更新机制；最后对序列施加中值滤波平滑。

47、稳健基线估计模块：选取前min(60, n)帧作为初始基线帧集合，采用流式分块策略将每张图像沿行方向划分为多个块，对每个块的像素在时序维度上计算huber稳健均值，得到初始基线图像集合。

48、多模态血管检测模块：用于执行结构暗管检测、deltaf/f高响应管状检测、边缘暗环伴随检测及三重判据融合，并内置sensor信号保护子模块以区分管状暗血管与圆形或椭圆形亮斑sensor信号。所述多模态血管检测模块中，检测融合掩膜中可能被误判为两条细血管的单条大血管区域，在结构暗管区域和高响应管状区域中检查基线灰度连续性，若两条分离血管段之间的中间区域平均暗度大于设定暗度阈值，则将整个连通域合并为单条大血管区域，得到更新后的融合掩膜。

49、自监督深度特征学习模块：将多尺度frangi血管增强响应图、hessian血管度及局部对比度按设定权重融合，后进行分块自适应阈值分割、断点连接及形态精细修复。所述自监督深度特征学习模块，首先初步检测血管掩膜进行骨架提取并定位端点，若端点数量超过设定端点阈值p，则按端点处增强值排序仅保留前p个高增强端点；随后对距离小于指定像素阈值的端点对，沿直线路径等距采样并查询增强图，若路径平均增强值大于设定平均阈值或中位增强值大于设定中位阈值，则将路径上的所有像素加入血管掩膜，实现低对比度条件下断裂血管的桥接恢复。

50、掩膜稳定化与误判自检模块：用于预运行稳定期、计算共识血管掩膜、校验最近掩膜一致性及剔除误判的sensor信号。

51、自适应刺激检测模块：基于非血管区信号变化率与滑动方差的双阈值刺激窗口检测。

52、空间漂移校正模块：用于执行大尺度、中尺度及边缘渐晕三级基线漂移校正。

53、软边缘羽化填充模块：用于基于距离变换的自适应羽化及局部自适应填充值的计算。

54、统一化deltaf/f计算模块：用于全帧统一抑制后的基线重估计、全局colorbar范围统计及流式热图视频输出。

55、本发明的有益效果

56、1. 血管检测灵敏度高、特异性强。通过结构暗管、deltaf/f高响应及边缘暗环三重判据融合，充分挖掘血管在基线灰度、动态响应及边缘特征上的互补信息；配合sensor信号保护与大血管完整性保护机制，在避免神经递质探针信号误删的同时显著降低血管漏检率。

57、2. 精准区分血管与sensor信号。针对神经递质荧光探针成像中血管呈管状暗结构、sensor呈圆形或椭圆形亮斑且基线略亮于背景的本质特征差异，设计基线亮度-形态双重校验、四重判据误判自检及自监督学习中的sensor排除约束，从根本上防止sensor信号被错误抑制。

58、3. 低对比度场景下的血管完整性提取。自监督深度特征学习机制融合hessian、frangi及局部对比度三种特征，通过断点连接与形态精细修复，在灰度差异极小的条件下仍能保持血管网络的拓扑连续性。

59、4. 掩膜时序高度稳定。预运行稳定期与后段共识投票机制确保最终掩膜具有时间一致性；误判自检机制进一步剔除孤立sensor误判，避免稳定掩膜中混入非血管区域。

60、5. 硬边缘伪影彻底消除。软边缘羽化填充基于距离变换高斯衰减，依据血管宽度自适应确定羽化半径，实现血管抑制区域与背景的自然平滑过渡，从根本上消除传统硬截断导致的deltaf/f边界伪影，确保神经递质释放产生的微弱dff信号不被虚假边缘响应淹没。

61、6. 基线估计鲁棒、漂移可控。huber稳健均值在保留正常样本信息的同时抑制离群刺激响应；三级空间漂移校正分别针对全局趋势、区域梯度及边缘渐晕，确保长期记录中的基线稳定性。

62、7. 运动配准精度高、长期稳定且不削弱sensor信号。双阶段配准将整数像素粗对齐与亚像素精化相结合，ecc迭代优化在梯度加权下对低对比度荧光场景具有强鲁棒性；配准过程避免额外线性滤波，充分保留微弱sensor响应；互信息驱动的参考帧更新机制避免长期漂移。

63、8. 刺激响应检测自适应。双阈值策略兼顾强刺激与弱刺激，最小间隔约束避免错误合并，确保基线估计严格排除神经递质释放期，提升deltaf/f量化准确性。

64、9. 泛化能力强。本发明的方法虽针对神经递质荧光探针成像中血管与sensor的特征差异设计，但其多模态血管检测、自监督特征学习、双阶段运动矫正、软边缘羽化填充及huber稳健基线估计等核心技术模块，同样适用于钙成像、电压成像等其他荧光显微成像场景，具备向更广泛生物医学成像应用迁移的能力。

65、10. 计算流程高效、可扩展。流式分块处理、批量写入优化、自适应帧率视频编码及动态子采样策略，使系统能够处理数千至上万帧的长时程记录，在普通工作站上即可运行。