电子显微镜图像神经元分割方法、系统、设备及存储介质

1.本发明涉及生物医学图像处理技术领域，尤其涉及一种电子显微镜图像神经元分割方法、系统、设备及存储介质。


背景技术：

2.神经元分割是重建生物大脑神经回路的一个关键步骤，这在理解生物神经系统功能方面发挥着不可替代的作用。到目前为止，只有电子显微镜能够支持纳米级分辨率的生物脑组织成像，以重建出具有精细结构的神经元，甚至是亚细胞器。近年来，随着电子显微镜成像技术的发展，研究人员能够获得大量的电子显微镜图像，例如，具有40tb存储量的成年果蝇全脑（z. zheng, j. s. lauritzen, e. perlman, c. g. robinson, m. nichols, d. milkie, o. torrens, j. price, c. b. fisher, n. sharifi et al.,
ꢀ“
a complete electron microscopy volume of the brain of adult drosophila melanogaster,
”ꢀ
cell, vol. 174, no. 3, pp. 730
–
743, 2018）。这也促进了大量基于深度学习的自动神经元分割方法的实现。然而，除了对大量的电子显微镜图像的需求，这些基于监督学习的方法往往也需要大量的手工标注来使能训练。由于标注的质量取决于少数有经验的神经学家，获得足够标注的时间和劳动力成本的负担较重。但是，如果不能获得足够数量的标注，现有的基于监督学习的方法就会变得脆弱。
3.为了减少对标注数据的依赖，半监督学习策略通过利用大量的未带标注数据来提升模型的泛化能力。在已有的方法中，伪标签学习和一致性学习是两类具有代表性的半监督学习策略。2021年，takaya等人首次将伪标签学习应用在神经元分割任务上（e. takaya, y. takeichi, m. ozaki, and s. kurihara,
ꢀ“
sequential semi-supervised segmentation for serial electron microscopy image with small number of labels,
”ꢀ
j. neurosci. methods, vol. 351, p. 109066, 2021），然而这种依赖启发式标签矫正的方法会不可避免地产生错误的伪标签，从而对模型的学习造成严重影响。另一方面，一致性学习在自然图上和医学图像上得到了广泛地应用，并证明了其优越的性能表现。然而，一致性学习在电镜神经元分割任务上却从未被研究过；其原因在于：（1）一致性学习只针对有意义的、非随机的网络预测才起作用；但是，对于随机初始化的网络来说，这一条件很难得到满足。（2）电子显微镜图像的数据分布多样性削弱了学习模型从少量标注数据到大量未带标注数据的泛化性。因此，一致性学习在电镜神经元分割任务中的有效性受到了限制。由于这两方面的原因，当标注数据极其有限时，一致性学习在电子显微镜图像神经元分割任务中很容易陷入次优解中，导致神经元分割性能不佳。


技术实现要素：

4.本发明的目的是提供一种电子显微镜图像神经元分割方法、系统、设备及存储介质，通过对未带标注数据的利用，减少对标注数据的依赖，提升模型的泛化能力，此外，设计一种预训练任务，增强一致性学习的有效性，避免陷入次优解中，提升神经元分割性能。
5.本发明的目的是通过以下技术方案实现的：一种电子显微镜图像神经元分割方法，包括：对未标注的电子显微镜图像进行扰动，生成带噪电子显微镜图像；将带噪电子显微镜图像输入至重建神经网络，通过重建神经网络预测的重建图像与对应未标注的电子显微镜图像的差异构建第一损失函数，进行重建神经网络的预训练；基于预训练后的重建神经网络建立分割神经网络，用于预测神经元亲和图；所述分割神经网络包含两个孪生网络，第一个孪生网络以未标注的电子显微镜图像作为输入，第二个孪生网络以带标注的电子显微镜图像以及未标注的电子显微镜图像对应的带噪电子显微镜图像作为输入；利用第一个孪生网络预测的未标注的电子显微镜图的神经元亲和图，以及第二个孪生网络预测的电子显微镜图像对应的带噪电子显微镜图像的神经元亲和图构建第二损失函数；利用第二个孪生网络预测的带标注的电子显微镜图像的神经元亲和图构建第三损失函数，结合第二损失函数与第三损失函数训练所述分割神经网络；将待分割的电子显微镜图像，输入至训练后的分割神经网络中的第一个孪生网络，预测出神经元亲和图，再通过后处理算法得到神经元分割结果。
6.一种电子显微镜图像神经元分割系统，包括：图像扰动单元，用于对未标注的电子显微镜图像进行扰动，生成带噪电子显微镜图像；预训练单元，用于将带噪电子显微镜图像输入至重建神经网络，通过重建神经网络预测的重建图像与对应未标注的电子显微镜图像的差异构建第一损失函数，进行重建神经网络的预训练；训练单元，用于基于预训练后的重建神经网络建立分割神经网络，用于预测神经元亲和图；所述分割神经网络包含两个孪生网络，第一个孪生网络以未标注的电子显微镜图像作为输入，第二个孪生网络以带标注的电子显微镜图像以及未标注的电子显微镜图像对应的带噪电子显微镜图像作为输入；利用第一个孪生网络预测的未标注的电子显微镜图的神经元亲和图，以及第二个孪生网络预测的电子显微镜图像对应的带噪电子显微镜图像的神经元亲和图构建第二损失函数；利用第二个孪生网络预测的带标注的电子显微镜图像的神经元亲和图构建第三损失函数，结合第二损失函数与第三损失函数训练所述分割神经网络；神经元分割单元，用于将待分割的电子显微镜图像，输入至训练后的分割神经网络中的第一个孪生网络，预测出神经元亲和图，再通过后处理算法得到神经元分割结果。
7.一种处理设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序；其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现前述的方法。
8.一种可读存储介质，存储有计算机程序，当计算机程序被处理器执行时实现前述的方法。
9.由上述本发明提供的技术方案可以看出，为了避免在极端有限的标注数据下一致性学习陷入次优解，提出基于图像重建的预训练策略，从大量未带标注数据的电子显微镜图像中隐式提取神经元的结构信息，增强了一致性学习的有效性，从而提升神经元分割性能。本发明在预训练与训练两个阶段都利用了未带标注的数据，充分挖掘了其有效信息，提
升了模型的泛化性，与监督方法相比，在标注数据有限的情况下，能提升四倍的神经元分割性能，在保证性能不下降的情况下，能减少十倍的标注数据需求。
附图说明
10.为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。
11.图1为本发明实施例提供的一种电子显微镜图像神经元分割方法的流程图；图2为本发明实施例提供的一种电子显微镜图像神经元分割方法的框架图；图3为本发明实施例提供的不同的标注图像数量下的定量对比曲线图；图4为本发明实施例提供的ac3/ac4数据集上的二维定性结果对比图；图5为本发明实施例提供的ac3/ac4数据集上的三维定性结果对比图；图6为本发明实施例提供的kasthuri15数据集上的定性对比图；图7为本发明实施例提供的一种电子显微镜图像神经元分割系统的示意图；图8为本发明实施例提供的一种处理设备的示意图。
具体实施方式
12.下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。
13.首先对本文中可能使用的术语进行如下说明：术语“包括”、“包含”、“含有”、“具有”或其它类似语义的描述，应被解释为非排它性的包括。例如：包括某技术特征要素（如原料、组分、成分、载体、剂型、材料、尺寸、零件、部件、机构、装置、步骤、工序、方法、反应条件、加工条件、参数、算法、信号、数据、产品或制品等），应被解释为不仅包括明确列出的某技术特征要素，还可以包括未明确列出的本领域公知的其它技术特征要素。
14.术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述和简化描述，而不是明示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本文的限制。
15.下面对本发明所提供的一种电子显微镜图像神经元分割方法、系统、设备及存储介质进行详细描述。本发明实施例中未作详细描述的内容属于本领域专业技术人员公知的现有技术。本发明实施例中未注明具体条件者，按照本领域常规条件或制造商建议的条件进行。
16.实施例一本发明实施例提供一种电子显微镜图像神经元分割方法，通过对大量未带标注数
据的利用从而减少对标注数据的需求；此外，本发明不仅要根据电子显微镜图像的特征提出针对性的扰动策略来提升一致性学习的有效性，还要提出基于电子显微镜图像重建的预训练策略来挖掘未带标注数据的有效信息，从而进一步增强一致性学习的作用，有效避免训练过程陷入次优解。
17.如图1所示，为本发明实施例提供的一种电子显微镜图像神经元分割方法的流程图，其主要包括如下步骤：步骤1、对未标注的电子显微镜图像进行扰动，生成带噪电子显微镜图像。
18.本发明实施例中，可以预先收集用于半监督学习的电子显微镜图像数据集，其中包含少部分带有标注的电子显微镜图像（数目记为n），以及大量的未标注的电子显微镜图像（数目记为m），满足：m
≫
n。具体的数值大小可以由用户根据实际情况或者经验进行设定。
19.本发明实施例中，电子显微镜图像数据集中未标注的电子显微镜图像，为干净的图像（即不带噪声的图像），通过添加扰动来生成对应的带噪电子显微镜图像，添加扰动的方式可通过常规技术实现，下面提供一些添加扰动的示例，例如，可以使用如下方式的一种或多种：高斯模糊（gaussian blurring）、高斯噪声（gaussian noise）、随机内容擦除（cutout）、帧间不对齐（slice misalignment）、对比度变化（contrast variations）。
20.步骤2、将带噪电子显微镜图像输入至重建神经网络，通过重建神经网络预测的重建图像与对应未标注的电子显微镜图像的差异构建第一损失函数，进行重建神经网络的预训练。
21.本发明实施例中，可以构建一个自编码器（auto-encoder）作为重建神经网络，目的是从带噪电子显微镜图像中重建出原始的干净的电子显微镜图像。预训练以带噪电子显微镜图像作为输入，对应的对应未标注的电子显微镜图像作为标签，构建第一损失函数。
22.示例性的：1）可以选择均方误差（mean square error）作为第一损失函数；2）重建神经网络包括编码器与解码器两部分。
23.步骤3、基于预训练后的重建神经网络建立分割神经网络，用于预测神经元亲和图；所述分割神经网络包含两个孪生网络，第一个孪生网络以未标注的电子显微镜图像作为输入，第二个孪生网络以带标注的电子显微镜图像以及未标注的电子显微镜图像对应的带噪电子显微镜图像作为输入；利用第一个孪生网络预测的未标注的电子显微镜图的神经元亲和图，以及第二个孪生网络预测的未标注的电子显微镜图像对应的带噪电子显微镜图像的神经元亲和图构建第二损失函数；利用第二个孪生网络预测的带标注的电子显微镜图像的神经元亲和图构建第三损失函数，结合第二损失函数与第三损失函数训练所述分割神经网络。
24.本步骤的训练主要是进行一致性学习，即学习两个孪生网络的一致性。两个孪生网络的结构相同，均包含编码器与解码器，以及从编码器到解码器的跳跃连接（跳跃连接没有参数），且编码器使用预训练的重建神经网络中的编码器作为初始化。
25.如之前所述，第一个孪生网络的输入仅包含未标注的电子显微镜图像，第二个孪生网络的输入包含带标注的电子显微镜图像以及未标注的电子显微镜图像对应的带噪电子显微镜图像。两个孪生网络分别预测出每一输入图像对应的神经元亲和图。第二个孪生预测出的带标注的电子显微镜图像对应的神经元亲和图，结合带标注的电子显微镜图像的标注构建第三损失函数；第一个孪生网络预测出的未标注的电子显微镜图像对应的神经元
亲和图，以及第二个孪生预测出的相应带噪电子显微镜图像对应的神经元亲和图，构造第二损失函数，使得两个孪生网络的预测结果保持一致。两个孪生网络耦合在一起作为分割神经网络，因此，第二损失函数与第三损失函数一并用于分割神经网络的训练；更明确的说：第二损失函数作用于未标注的电子显微镜图像，目的是从未带标签数据中进行参数学习；第三损失函数作用于带标注的电子显微镜图像，目的是从带标签数据中进行参数学习。
26.步骤4、将待分割的电子显微镜图像，输入至训练后的分割神经网络中的第一个孪生网络，预测出神经元亲和图，再通过后处理算法得到神经元分割结果。
27.训练完毕后，对分割神经网络中的第一个孪生网络预测出的神经元亲和图进行后处理，可以得到神经元分割结果，神经元分割结果可以用于重建生物大脑神经回路。
28.本发明实施例中，后处理算法为目前已有的算法，具体算法类型本发明不做限定。
29.为了更加清晰地展现出本发明所提供的技术方案及所产生的技术效果，下面以具体实施例对本发明实施例所提供的一种电子显微镜图像神经元分割方法进行详细描述。
30.一、图像扰动。
31.扰动函数的设计对于在一致性学习中使用未带标记图像至关重要。本发明实施例中，将电子显微镜图像视为信号，并从信号相关和扰动独立两个角度考虑扰动。受电子显微镜图像真实退化的启发，本发明实施例模拟了以下五个有效的扰动，以从干净的未带标注电子显微镜图像中得到带噪电子显微镜图像（即带有噪声的电镜扰动图像）。
32.1、高斯模糊。因为电子显微镜的对焦偶尔可能会失效，电子显微镜图像的成像过程可能会引入模糊。因此，采用高斯模糊来模拟这种退化，其中模糊程度通过从一个固定范围中均匀抽样一个方差值来随机设置。模糊是一个与信号相关的操作，应用于整个电子显微镜图像。
33.2、高斯噪声。成像过程中也会引入噪声，如热噪声和颗粒噪声。因此，在电子显微镜图像中加入高斯白噪声来模拟这种退化，并且噪声程度的设置方式与模糊程度的设置一致，同时也应用于整个电子显微镜图像。但不同于模糊，高斯噪声的扰动是与信号无关的，即扰动独立。
34.3、内容随机擦除。成像过程中的内容缺失是高通量电子显微镜的主要副作用。为了模拟这种噪声，在整个电子显微镜图像中随机擦除一部分图像内容，即将这部分的像素值置为零。这种扰动是一种特殊的与信号不相关的操作方式。与前两种扰动不同，这种扰动只作用在部分电子显微镜图像上。
35.4、帧间不对齐。连续切片透射电子显微镜成像的原理是对每个切片进行独立处理，因此相邻的切片很容易受到错位的干扰，导致严重的分裂和合并误差。为了模拟这种退化，从电子显微镜图像序列中随机选择一个或多个切片，然后沿切片方向施加设定范围内的随机平移。这种扰动与内容随机擦除一致，是一种与信号不相关的操作方式也只作用在部分电子显微镜图像上。
36.5、对比度变化。由于电子显微镜成像的不稳定，不同电子显微镜图像的亮度和对比度往往不同。因此，随机调整部分或整个电子显微镜图像序列的亮度和对比度来模拟这种退化。这种扰动是一种与信号相关的操作。
37.在实际应用中可以从以上五种扰动中选择一种或多种添加至电子显微镜图像中，当然，用户也可以根据需要涉及其他类别的扰动添加至电子显微镜图像中；本发明实施例
中，将五种扰动一起添加在电子显微镜图像中作为示例应用于后续实验中。
38.二、基于扰动的预训练。
39.图2展示了本发明的预训练与训练流程，如图2左侧部分所示，设计了一个基于扰动图像重建的代理任务来触发重建神经网络的预训练，从而对重建神经网络的网络参数（包含编码器与解码器的参数）进行优化，隐式提取有意义的神经元结构信息（即，体现在网络参数中），然后进行一致性学习。具体地：以自编码器（auto-encoder）的方式构建一个重建神经网络，其中代表重建神经网络的可学习参数。该重建神经网络以带噪电子显微镜图像作为输入，并预测与带噪电子显微镜图像对应的重建图像。
40.为了监督重建神经网络的预训练，通过重建图像与对应未标注的电子显微镜图像的差异构建第一损失函数（采用均方误差作为损失函数），表示为：其中，表示第一损失函数，m表示未标注的电子显微镜图像的数目，表示第i个未标注的电子显微镜图像对应的带噪电子显微镜图像，上述式子中的结果为重建图像。
41.示例性的，可以采用没有跳跃连接的三维残差u-net（k. lee, j. zung, p. li, v. jain, and h. s. seung,
ꢀ“
super human accuracy on the snemi3d connectomics challenge,
”ꢀ
arxiv preprintarxiv:1706.00120, 2017）作为重建神经网络的主干。当重建神经网络训练到收敛时，表示预训练完毕。采用预训练好的编码器作为后一阶段分割神经网络编码器的初始化，旨在将提取的神经元有效信息传导给下一阶段的分割神经网络，从而进一步提升分割神经网络的泛化能力。
42.三、一致性学习。
43.本发明实施例中，采用一个与重建神经网络一致的带有跳跃连接的三维残差u-net作为分割神经网络来预测神经元亲和图（affinity）。特别地，采用一种自集成（self-ensembling）框架来同时预测带标注电子显微镜图像和未带标注电子显微镜图像的亲和图。
44.本发明实施例中，分割神经网络包含结构完全相同的两个孪生网络，第一个孪生网络为老师网络，第二个孪生网络为学生网络；训练过程中，老师网络中的梯度不进行反向传播，学生网络中的梯度进行反向传播。本发明实施例中，采用两种权重更新策略来更新自集成框架中的分割神经网络参数；一种是参数共享（weight sharing）策略，即老师网络和学生网络的参数是完全一致的，且在训练过程中是同时被更新。另一种是指数滑动平均（exponential moving average，ema）策略，即通过学生网络中的参数以设定权重更新老师网络中的参数：；其中，表示设定权重，表示第t次训练后的学生网络的参数，、分别表示第t次、第t-1次训练后的老师网络的参数。
s. berg, d. d. bock,a. cardona, g. w. knott, s. m. plaza, l. k. scheffer et al.,
ꢀ“
multicut brings automated neurite segmentation closer to human performance,
”ꢀ
nat. methods, vol. 14, no. 2, pp. 101
–
102, 2017。
53.为了测试本发明的有效性，通过实验进行了验证。
54.1、数据集、对比方法与评价指标。
55.实验中，在常见的三个电子显微镜图像（简称电镜图像）数据集上进行了对比测试：ac3/ac4、cremi、kasthuri15。
56.对比的方法包含4种监督学习方法和6种半监督学习方法：（1）resunet，仅以监督学习的方式使用带标注的电镜图像；（2）resunet w/ augs，基于监督学习方法，但在训练过程中添加了与扰动相同的操作作为数据增强来扩展带标注的电镜图像；（3）resunet w/ lr，通过同时预测长程亲和图来协助预测最近邻亲和图；（4）resunet w/ malis，采用malis损失函数来促进拓扑正确的神经元分割；（5）pseudol-hard，利用基于
‘
resunet w/ augs’的训练模型预测未带标注图像的伪标签，然后以监督的方式对模型进行微调。具体来说，伪标签选择的阈值设置为固定值0.5；（6）pseudol-soft，与
‘
pseudol-hard’的训练方式相同，不同的是通过软阈值的方式，按照一定的百分比（20%）将置信度靠前的预测自适应地设为伪标签；（7）mean-teacher，利用ema策略从学生模型更新教师模型参数；（8）π-model，一致性学习的另一种体现，将一致性损失作为一个正则化常数，而不使用反向传播来更新网络参数；（9）ua-mt，利用一种不确定性感知的方案，使用高置信度的预测来指导一致性学习的训练；（10）sassnet，采用一种对抗学习策略，在带有标注图像和未带标注图像的符号距离图之间施加几何形状约束。
57.选择两个评价指标：voi（variation of information，信息变差）以及arand（adapted rand error，自适应兰德错误）。指标voi=voi
split
voi
merge
，这两个指标代表了不同的分割错误类型：voi
split
代表了过分割（分裂）错误，而voi
merge
代表了欠分割（合并）错误。指标arand是一种实例分割评价指标，用来评价两个实例分割结果的相似性，如果分割结果越相似则arand结果越低。
58.2、实验目的与实验结果。
59.首先，在ac3/ac4数据集上证明了本发明提出的方法的有效性；实验结果如表1~表4所示：表1 在ac3数据集上使用waterz算法的实验结果表2在ac3数据集上使用lmc算法的实验结果
表3在ac4数据集上使用waterz算法的实验结果表4 在ac4数据集上使用lmc算法的实验结果通过表1~表4所示的实验结果表明：本发明提出的方法在两种不同的后处理下（waterz，lmc）都很大程度上优于现有的方法。
60.如图3所示，本发明的方法在不同的标注电镜图像数量（5，10，20）下也均优于现有的方法，（a）部分为在voi指标下的对比，（b）部分为在arand指标下的对比；（a）部分与（b）部分中数字1~8标记的折线对应的方法为：数字1对应resunet w/ lr；数字2对应pseudol-soft；数字3对应mean-teacher；数字4对应π-model；数字5对应ua-mt；数字6对应sassnet；数字7对应本发明的方法；数字8对应full label（100），即完整标签。如图4所示，为在ac3/ac4数据集上的二维定性结果对比，图中用不同粗细的方框标记不同区域，第一行是分割神经网络输出的亲和图；第二行是亲和图上的两处细节放大图；第三行是经过后处理算法后的神经元分割结果。由图4可见本发明提出的方法能够预测更准确的亲和图，从而大大避免由于预测边界不连续而导致的合并误差。此外，我们也进一步提供了三维空间上的可视化对比结果。如图5所示，为在ac3/ac4数据集上的三维定性结果对比，从左到右，分别是四组不同神经元的分割结果，即挑选了四组可视化对比；可以观察到，本发明提出的方法在保持神经元结构的准确性方面比现有方法有明显的优势。由于后续附图无法具体展示不同的颜
色下的可视化效果，但是本领域技术人员可以理解，不同颜色可用来区分不同的神经元，如果一个神经元拥有多种颜色，则表示分裂错误。
61.其次，为了进一步证明本发明提出的方法可以适应不同数据分布的电镜图像，在cremi数据集上进行了实验，实验结果如表5~表6所示：表5 在cremi数据集上使用waterz算法的实验结果表6 在cremi数据集上使用lmc算法的实验结果通过表5~表6所示的实验结果表明：在waterz后处理下，本发明提出的方法在不同cremi子集上都优于监督方法，这表明本发明提出的方法通过利用不同的、未标注的电镜图像提高了分割模型的泛化能力；表5~表6中cremi数据集后方的-a/-b-c表示相应的子集；各个方法后方的-a/-b-c表示利用cremi数据集相应的子集进行训练。
62.最后，为了证明了本发明提出的方法在大规模电镜图像上的有效性，在kasthuri15数据集上进行了实验，实验结果如表7与图6所示：表7 kasthuri15数据集上在不同标注数量下的定量对比其中，标记符号l表示使用带标注的电子显微镜图像，标记符号u表示使用未标注的电子显微镜图像。带u的方法对应于本发明，不带u的（即10l和100l）对应于前文提到的现有方法（即表1里面的resunet w/ augs）。图6中：（a）部分为现有方法在使用100张带标签图像的分割结果，（b）部分为本发明在使用100张带标签图像和1000张未带标签图像的分割结
果，（c）部分为人工标注结果，即真实结果。需要说明的是，由于附图无法展示不同颜色下呈现的效果，但是实际的实验过程中，（c）部分所示的人工标注结果里面有两个不同颜色的神经元，表明存在两个相邻神经元；但是，（a）部分所示的现有方法的分割结果中只有一种颜色，说明没有区分开来两个相邻神经元，即，属于前文提到的合并错误；而（b）部分所示的本发明的分割结果可以正确的区分开两个相邻神经元。
63.通过实验结果表明：在标记数据有限的情况下，本发明的方法在更大规模的电镜图像上具有更大的潜力。值得一提的是，合并误差在本发明的结果中减少得更明显。通常，在手动校对过程中，更正合并错误的成本要比更正分裂错误的成本大得多。这表明，本发明的方法可以通过利用未带标注的电镜图像大大减少大规模电镜神经元重建的校对时间。
64.实施例二本发明还提供一种电子显微镜图像神经元分割系统，其主要基于前述实施例一提供的方法实现，如图7所示，该系统主要包括：图像扰动单元，用于对未标注的电子显微镜图像进行扰动，生成带噪电子显微镜图像；预训练单元，用于将带噪电子显微镜图像输入至重建神经网络，通过重建神经网络预测的重建图像与对应未标注的电子显微镜图像的差异构建第一损失函数，进行重建神经网络的预训练；训练单元，用于基于预训练后的重建神经网络建立分割神经网络，用于预测神经元亲和图；所述分割神经网络包含两个孪生网络，第一个孪生网络以未标注的电子显微镜图像作为输入，第二个孪生网络以带标注的电子显微镜图像以及未标注的电子显微镜图像对应的带噪电子显微镜图像作为输入；利用第一个孪生网络预测的未标注的电子显微镜图的神经元亲和图，以及第二个孪生网络预测的电子显微镜图像对应的带噪电子显微镜图像的神经元亲和图构建第二损失函数；利用第二个孪生网络预测的带标注的电子显微镜图像的神经元亲和图构建第三损失函数，结合第二损失函数与第三损失函数训练所述分割神经网络；神经元分割单元，用于将待分割的电子显微镜图像，输入至训练后的分割神经网络中的第一个孪生网络，预测出神经元亲和图，再通过后处理算法得到神经元分割结果。
65.所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将系统的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。
66.实施例三本发明还提供一种处理设备，如图8所示，其主要包括：一个或多个处理器；存储器，用于存储一个或多个程序；其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现前述实施例提供的方法。
67.进一步的，所述处理设备还包括至少一个输入设备与至少一个输出设备；在所述处理设备中，处理器、存储器、输入设备、输出设备之间通过总线连接。
68.本发明实施例中，所述存储器、输入设备与输出设备的具体类型不做限定；例如：输入设备可以为触摸屏、图像采集设备、物理按键或者鼠标等；
输出设备可以为显示终端；存储器可以为随机存取存储器（random access memory，ram），也可为非不稳定的存储器（non-volatile memory），例如磁盘存储器。
69.实施例四本发明还提供一种可读存储介质，存储有计算机程序，当计算机程序被处理器执行时实现前述实施例提供的方法。
70.本发明实施例中可读存储介质作为计算机可读存储介质，可以设置于前述处理设备中，例如，作为处理设备中的存储器。此外，所述可读存储介质也可以是u盘、移动硬盘、只读存储器（read-only memory，rom）、磁碟或者光盘等各种可以存储程序代码的介质。
71.以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书的保护范围为准。