一种宽视场神经信号快速分割方法及系统与流程

本发明涉及计算神经科学和图像分割，更具体的说是涉及一种宽视场神经信号快速分割方法及系统。

背景技术：

1、近年来，双光子显微镜和宽视场荧光显微技术在神经科学研究中得到广泛应用，可以同时记录数千个神经元的活动。随着成像技术的发展，研究人员需要分析来自数千个甚至数万个神经元的钙信号，以研究神经网络的计算原理。

2、现有技术中，suite2p是应用最广泛的神经信号分割软件之一。suite2p采用运动矫正、roi检测和信号提取的管道方法。然而，suite2p在处理宽视场高分辨率数据时效率较低，对于包含数千个以上神经元的大视场数据集，处理时间往往需要数小时甚至数天，严重影响了实验效率。现有的suite2p采用逐帧相关性计算，其时间复杂度较高，难以满足实时或近实时的处理需求。

3、另一项相关技术是基于独立分量分析(ica)的神经信号分割方法。该方法虽然能够自动发现神经元，但在处理大规模数据时计算复杂度过高，且对背景噪声敏感，容易产生假阳性检测。此外，ica方法的收敛速度慢，难以应用于需要快速反馈的在体成像实验。

4、还有基于聚类(clustering)的神经元检测方法，该方法通过k-means或谱聚类将相似的像素组合成神经元。然而，这些方法需要事先指定神经元个数或其他超参数，对于未知神经元数量的真实数据应用性差。同时，基于聚类的方法容易过度分割或欠分割，导致分割精度不理想。

5、综上，现有的神经信号分割技术存在以下主要问题：(1)大视场高密度数据中候选数量大，若采用全量精细分解，计算负担高；(2)背景污染与局部运动伪影会干扰候选生成，导致误检与漏检并存；(3)空间重叠神经元在串行流程中难以稳定解混，易出现活动串扰；(4)单次阈值剔除策略在复杂场景下鲁棒性不足。因此，需要开发一种在宽视场条件下可进行候选分组、局部去串扰和质量判定过滤的神经信号分割方法。

6、因此，如何提供一种能够在宽视场条件下，通过候选分组策略结合局部非负矩阵分解去串扰的神经信号快速分割方法，以显著降低计算复杂度并提高重叠区域的分割精度，是本领域技术人员亟需解决的问题。

技术实现思路

1、鉴于上述问题，本发明提出了一种以便克服上述问题或者至少部分解决上述问题的一种宽视场神经信号快速分割方法及系统。

2、第一方面，本发明提供一种宽视场神经信号快速分割方法，包括如下步骤：

3、获取宽视场钙成像数据并进行运动矫正，得到矫正后的成像序列；

4、将矫正后的成像序列输入双阶段分割模型，执行候选增强提取，得到包含多个神经元候选区域的初始候选集；

5、基于形态学指标，将所述初始候选集划分为单体候选组和重叠候选组；

6、从矫正后的成像序列中读取所述单体候选组的时间轨迹，并对所述重叠候选组执行受约束的非负矩阵分解，从而获得各神经元候选区域的空间分量与时间分量；

7、对所述时间分量进行反卷积与质量评分，并根据评分结果，基于多指标联合判定对所述神经元候选区域执行假阳性过滤，输出包含空间位置、时间活动序列和质量评分的最终分割结果。

8、进一步地，所述将矫正后的成像序列输入双阶段分割模型，执行候选增强提取，得到包含多个神经元候选区域的初始候选集，具体包括：

9、将矫正后的成像序列输入至双阶段分割模型的背景分离子网络中，输出背景估计图和前景响应图；

10、将所述前景响应图输入至双阶段分割模型的目标分割子网络中，输出神经元概率图；

11、对所述神经元概率图执行阈值化处理及连通域提取，生成二值候选掩码集合；

12、将所述二值候选掩码集合与运动矫正过程中产生的位移场可靠度信息进行一致性融合，得到包含位置信息及可靠度信息的初始候选集。

13、进一步地，所述形态学指标包括面积指标和圆度指标。

14、进一步地，所述非负矩阵分解的约束条件包括：非负性约束、稀疏性约束、时间光滑性约束和生物学可行性约束。

15、进一步地，对所述重叠候选组执行受约束的非负矩阵分解具体包括：

16、以每个重叠神经元候选区域为中心截取局部数据块，基于局部数据块构建并求解优化问题，将所述局部数据块分解为空间分量矩阵和时间分量矩阵；

17、从空间分量矩阵中提取当前重叠候选组中各神经元候选区域的空间分量，

18、从时间分量矩阵中提取当前重叠候选组中各神经元候选区域的时间分量。

19、进一步地，所述优化问题表示为：

20、

21、其中，表示局部数据块；表示空间分量矩阵；表示时间分量矩阵；表示空间稀疏权重；表示时间平滑权重；表示时间梯度算子；表示前景响应图。

22、进一步地，在执行所述非负矩阵分解前，对所述重叠候选组中的重叠神经元候选区域执行贪婪roi初始化；在所述非负矩阵分解完成后，对空间分量与时间分量进行后处理：将时间相关性高于第一预设阈值且空间重叠度高于第二预设阈值的分量进行合并。

23、进一步地，所述对所述时间分量进行反卷积与质量评分，具体包括：对所述时间分量执行反卷积操作，求解得到稀疏脉冲序列；并针对所述稀疏脉冲序列，计算每个神经元候选区域的信噪比、峰形一致性以及局部串扰评分。

24、进一步地，所述多指标联合判定至少包括空间形态约束、时间结构约束、基于血管掩码的空间位置重叠约束、邻域一致性约束和信噪比约束。

25、第二方面，本发明提供一种宽视场神经信号快速分割系统，应用权利要求1-9任一项所述的宽视场神经信号快速分割方法；该系统包括：

26、数据输入模块，用于获取宽视场钙成像数据；

27、运动矫正模块，用于对所述宽视场钙成像数据进行运动矫正，得到矫正后的成像序列；

28、候选增强提取模块，用于将矫正后的成像序列输入双阶段分割模型，执行候选增强提取，得到包含多个神经元候选区域的初始候选集；

29、候选分组模块，用于基于形态学指标，将所述初始候选集划分为单体候选组和重叠候选组；

30、分量提取模块，用于从矫正后的成像序列中读取所述单体候选组的时间轨迹，并对所述重叠候选组执行受约束的非负矩阵分解，从而获得各神经元候选区域的空间分量与时间分量；

31、反卷积与评分模块，用于对所述时间分量进行反卷积与质量评分；

32、假阳性过滤模块，用于根据评分结果，基于多指标联合判定对所述神经元候选区域执行假阳性过滤；

33、结果输出模块，用于输出包含空间位置、时间活动序列和质量评分的最终分割结果。

34、经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种宽视场神经信号快速分割方法及系统，具有如下有益效果：

35、（1）本发明通过候选分组与局部去串扰，仅对重叠候选执行高开销分解，降低全量计算负担，在大视场高密度场景下缩短整体处理时长。

36、（2）本发明通过神经网络候选增强、候选分组与局部非负矩阵分解去串扰联动，减少单一阈值策略导致的过分割或欠分割，提高候选数量确定的稳定性。

37、（3）本发明通过“先分组、后局部分解、再统一过滤”的流程，提高对重叠神经元与背景扰动的处理稳定性。

38、（4）本发明支持多种部署方式，具体可在cpu、gpu或混合硬件上运行，硬件并行用于缩短执行时间，但不改变方法本身的流程约束关系。

39、（5）本发明通过形态、时间结构与邻域一致性的联合判定，提高输出结果的生物学可解释性，从而增强生物学一致性。