一种提高全脑神经元重建准确率和速度的方法

1.本发明涉及神经元形态重建领域，尤其是涉及一种提高全脑神经元重建准确率和速度的方法。


背景技术：

2.神经元形态重建是从三维图像中提取神经元的拓扑信息，得到数字化的树形结构数据。在亚微米尺度的全脑数据集下重建神经元形态信息对于我们理解和分析脑回路连接具有重要意义。然而由于神经元形态的复杂性，其延伸出来的纤维常常错综交织在一起，增加了重建的难度。通常在一个视角下无法准确判断纤维走向，捋清这些连接关系需要追踪者不停切换三维视角。但是由于光学系统本身的限制，目前的全脑数据都具有各向异性的三维分辨率，其轴向图像(通常对应xz和yz面)的分辨率一般要比横向图像(通常对应xy面)的分辨率差2-3倍。当从横向的xy面切换到轴向的xz面或者yz面时，图像分辨率会急剧地下降，导致我们无法看清里面的细节，最终会使得整个神经元重建过程耗时费力，并且容易产生很多误判。特别对于长程投射神经元而言，局部的追踪错误将引起巨大的累积错误，使得后续分析变得不可靠。
3.解决以上问题的关键在于提升原始数据的轴向分辨率，使得复杂的纤维信号变得容易区分。目前有一些光学方法能够实现轴向分辨率的提升，但对于厘米尺寸的大样本如鼠脑，提升数据的轴向分辨率意味着采集时间将大幅延长至一个月以上，单通道数据量增加到40tb以上，这对系统稳定运行以及数据存储和处理带来了巨大的挑战。
4.近年来深度学习算法被广泛应用于光学图像质量恢复中。它们大都采用精准配对的数据来训练监督型的神经网络。对于显微光学成像而言，物镜的收光孔径角无法达到90度，这是天然存在的物理限制。这一限制会导致物镜轴向接收的空间频率要远小于横向的空间频率，因此轴向的图像分辨率要比横向差。在三维采集过程中，同一物体轴向上的图像内容和横向上的图像内容是完全不对应的。这意味着虽然我们能同时获得高低分辨率的图像，但它们是非配对的，因此无法应用常规的监督型神经网络进行训练。
5.深度学习算法提升全脑神经元图像轴向分辨率的另一挑战在于计算成本过高。对于tb量级的全脑数据，完整恢复整套鼠脑数据，需要几个月的运算时间，同时存储空间也将增大3-5倍。


技术实现要素：

6.本发明为了克服上述技术不足，提出了一种提高全脑神经元重建准确率和速度的方法，该方法可以在全脑神经元重建过程中，根据需求针对信号密集复杂的区域进行实时的轴向分辨率提升，方便看清其中的虚假连接，提高神经元重建的准确率和速度，同时不产生额外的时间和存储成本。为实现上述目的，本发明采用以下技术方案：
7.本发明公开了一种提高全脑神经元重建准确率和速度的方法，具体包括如下步骤：
8.s1，将全脑三维数据分割成若干n个体积相等的三维数据块，将所有三维数据块按照位置索引保存，n为正整数；
9.s2，给待重建神经元胞体的设定初始三维坐标，设置追踪起始点，所述追踪起始点为待重建神经元胞体的初始三维坐标，根据所述追踪起始点获取第1个感兴趣区域，并读取所示第1个感兴趣区域对应的三维数据块，并将第1个感兴趣区域对应的三维数据块作为当前数据块；
10.s3，根据当前数据块的信号密度和复杂程度选择是否需要进行轴向分辨率提升，如需轴向分辨率提升，则对当前数据块进行轴向分辨率增强；如无需轴向分辨率提升，则直接进入下一步；
11.s4，重建当前数据块下的神经元；
12.s5，根据神经元的走向，自动追踪获取下一个感兴趣区域，并读取下一个感兴趣区域对应的三维数据块，将下一个感兴趣区域对应的三维数据块作为新的当前数据块；
13.s6，重复步骤s3-s5直到整个神经元形态重建完成。
14.通过上述技术方案，由于全脑神经元图像有数十tb，如果用神经网络恢复整套原始数据，需要花费数月的计算时间，并且将需要额外3-5倍的存储空间。本技术通过对全脑的神经元信号分布进行了研究，发现大部分区域的信号都较为简单。对于这部分区域而言，尽管轴向分辨率较差，但不影响重建的准确率和速度。而对于复杂密集的信号区域，轴向分辨率较差则会严重限制重建的速度和重建的质量。因此，本方法根据当前数据块的信号密度和复杂程度选择是否需要进行轴向分辨率提升，可以极大降低数据恢复的时间和存储成本。该方法可直接作为附件在现有的神经元追踪及可视化软件上进行。如需提升原始数据轴向分辨率，则对当前数据块进行处理。一套鼠脑数据大约有400-600处局部数据块需要进行轴向分辨率提升，每处200见方体素的数据块，神经网络恢复时间为1.8s。那么一套鼠脑数据，采用本技术提出的计算方案，仅需0.2-0.3小时的计算时间，远小于完整恢复整套数据的时间。并且本方法的恢复是在线完成，恢复的数据块是实时显示在神经元重建的界面上，无需保存到本地磁盘，因此也无需额外的存储空间。
附图说明
15.图1是一种提高全脑神经元重建准确率和速度的方法的流程图。
16.图2是需要进行轴向分辨率提升和不需要轴向分辨率提升的三维数据块对比图。
17.图3是本发明轴向分辨率提升后的神经元数据与原始数据的图像质量对比图。
18.图4是定量分析本发明对重建全脑神经元的效率提升图。
具体实施方式
19.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
20.本发明的一种提高全脑神经元重建准确率和速度的方法可以在全脑神经元重建过程中，针对信号密集复杂的区域进行实时的各向同性重建，方便看清其中的虚假连接，提高重建的准确率和速度，同时不产生额外的时间和存储成本。
21.如图1所示，本发明的一种提高全脑神经元重建准确率和速度的方法，包括以下步骤：
22.s1，将全脑三维数据分割成若干n个体积相等的三维数据块，将所有三维数据块按照位置索引保存，n为正整数；
23.s2，给待重建神经元胞体的设定初始三维坐标，设置追踪起始点，所述追踪起始点为待重建神经元胞体的初始三维坐标，根据所述追踪起始点获取第1个感兴趣区域，并读取所示第1个感兴趣区域对应的三维数据块，并将第一个感兴趣区域对应的三维数据块作为当前数据块；
24.s3，根据当前数据块的信号密度和复杂程度选择是否需要进行轴向分辨率提升，如需轴向分辨率提升，则对当前数据块进行轴向分辨率增强；如无需轴向分辨率提升，则直接进入下一步；
25.s4，重建当前数据块下的神经元；
26.s5，根据神经元的走向，自动追踪获取下一个感兴趣区域，并读取下一个感兴趣区域对应的三维数据块，将下一个感兴趣区域对应的三维数据块作为新的当前数据块；
27.s6，重复步骤s3-s5直到整个神经元形态重建完成。
28.以30720
×
49152
×
8192体素的全脑三维数据为例进行说明，s1中将该全脑三维数据分割成60
×
96
×
16个体积为512
×
512
×
512的相等三维数据块，每个三维数据块的位置索引定义为xi，yj和zk。其中i表示x方向上的索引，i∈[0，60)。j表示y方向上的索引，j∈[0，96)。k表示z方向上的索引，k∈[0，16)。位置索引信息以mostd格式的文件保存。
[0029]
s2中将s1步骤生成的位置索引文件输入到全脑神经元重建软件中。以neurogps-tree软件为例，通过将人为选择并给定的待重建神经元胞体初始三维坐标，和需要显示的三维数据块大小(通常为200
×
200
×
200体素)输入到软件的感兴趣区域窗口，软件会根据位置索引信息自动找到需要读取的三维数据块。例如，初始三维坐标为(12900，13500，3700)，则读取位置索引为(x
25
，y
26
，z7)的三维数据块，并根据用户给定的显示范围进行三维数据块的裁剪。该区域为第1个感兴趣区域，当前显示的三维数据块为当前数据块。
[0030]
s3，根据当前数据块的信号密度和复杂程度选择是否需要进行轴向分辨率提升，如需轴向分辨率提升，则对当前数据块进行轴向分辨率增强；如无需轴向分辨率提升，则直接进入下一步。其中，信号密度和复杂程度可以用神经元的纤维密度来衡量，即每立方毫米(mm3)的三维数据块中的神经元纤维长度大于1m则认为需要进行轴向分辨率提升，如图2中左图所示，其纤维密度达到了6.8m/mm3，神经元信号非常密集，存在大量交错连接的纤维，无法直接看清其中的连接关系，因此认为是复杂信号区域，需要进行轴向分辨率提升，否则，如图2中右所示，其纤维密度0.4m/mm3，神经元信号非常稀疏，并且基本没有不同纤维信号的干扰，连接关系可以直接确定，认为是简单信号区域，无需进行轴向分辨率提升。
[0031]
s4，使用neurogps-tree软件提供的半自动交互神经元重建算法重建当前数据块下的神经元。
[0032]
s5，根据当前三维数据块中追踪完成的神经元的纤维走向，neurogps-tree软件自动获取下一个包含该神经元纤维的感兴趣区域，读取下一个感兴趣区域对应的三维数据块，将下一个感兴趣区域对应的三维数据块作为新的当前数据块；
[0033]
s6，重复步骤s3-s5直到整个神经元形态重建完成。
[0034]
进一步地，s3中可以采用神经网络的方式进行轴向分辨率增强，也可以采用其他方式进行轴向分辨率增强，当采用神经网络的方式时，s3中对当前数据块进行轴向分辨率增强的具体步骤为：
[0035]
s31，搭建无监督网络模型；
[0036]
s32，从所述全脑三维数据中直接生成非配对训练数据集训练所述无监督网络模型，获得轴向分辨率提升神经网络；
[0037]
s33，将所述当前数据块输入至所述轴向分辨率提升神经网络中，获得轴向分辨率增强的三维数据块。
[0038]
具体地，无监督网络模型其结构是循环一致生成对抗网络cyclegan。训练该网络模型可以采用两种不同的方法：
[0039]
方法一：该无监督网络模型包含两个生成网络ga，gb和两个判别网络da，db。生成网络ga和gb结构相同，是带有残差连接的残差神经网络。判别网络da和db结构相同，均为由多个卷积层串联组成的卷积神经网络，该无监督网络模型以循环一致的方式进行训练。
[0040]
s32中非配对训练数据集由全脑三维数据中的三维数据块直接生成，具体包括：
[0041]
s321a，将获取的三维数据块分别沿横向和轴向进行切片，获得其横向切片和轴向切片，所述横向切片即横向高分辨数据集x，所述轴向切片即轴向低分辨数据集y；
[0042]
s322a，将所述轴向低分辨数据集y沿着列方向插值升采样，使其像素分辨率和横向高分辨数据集x一致；
[0043]
s323a，将所述横向高分辨数据集x和所述轴向低分辨数据集y进行拆分，得到一系列尺寸相同，例如64
×
64，像素不对应的非配对图像块，构成非配对训练数据集用于训练无监督网络模型。
[0044]
其中，ga负责将x中的图像块xi转换为y中的图像块yi。而gb负责将y中的图像块yi转换为x中的图像块xi。判别器da负责区分真实图像块yi和网络生成的图像块ga(xi)，判别器db负责区分真实图像块xi和网络生成的图像块gb(yi)。
[0045]
进一步地，无监督网络模型以循环一致的方式进行训练。循环一致是指横向高分辨数据集x中的图像块xi经过生成器ga和gb后，需要和其自身一致，且轴向低分辨数据集y中的图像块yi经过生成器gb和ga后，需要和其自身一致。
[0046]
在实现循环一致训练时，以最小化损失函数为目标，其损失函数l由循环一致损失l
cycle
和生成对抗损失l
gan
组成，其中循环一致损失l
cycle
定义为：
[0047][0048]
其中xi、yi分别表示横向高分辨数据集x和轴向低分辨数据集y中的图像块，n为图像块的总数；
[0049]
生成对抗损失l
gan
为：
[0050]
l
gan
＝l
gen
+l
dis
ꢀꢀꢀꢀ
(2)
[0051]
l
gen
表示生成损失，l
dis
表示对抗损失；
[0052]
生成损失l
gen
定义为：
[0053]
[0054]
对抗损失l
dis
定义为：
[0055][0056]
总损失函数l定义为：
[0057]
l＝l
cycle
+λ(l
gen
+l
dis
)
ꢀꢀꢀꢀ
(5)
[0058]
其中λ为生成对抗损失所占权重，λ∈(0，1]。
[0059]
例如，λ设置为0.1，最小化损失函数l采用adam优化器，初始学习率为0.0001，每经过15轮迭代，学习率衰减一半，总共训练60轮。
[0060]
方法二：该无监督网络模型包括图像转换模型和图像恢复模型：
[0061]
图像转换模型为基于生成对抗网络的图像转换模型，包含两个生成网络ga，gb和两个判别网络da，db。生成网络ga和gb结构相同，是带有残差连接的残差神经网络。判别网络da和db结构相同，均为由多个卷积层串联组成的卷积神经网络。图像恢复模型为基于卷积神经网络的图像恢复模型h，其结构可以是带有残差连接的残差神经网络或含有降采样路径和升采样路径的u型网络。
[0062]
s32中非配对训练数据集由全脑三维数据中的三维数据块直接生成，具体包括：
[0063]
s321b，将获取的所述三维数据块分别沿横向和轴向进行切片，获得其横向切片和轴向切片，所述横向切片即横向高分辨数据集x；
[0064]
s322b，将所述横向高分辨数据集x沿着图像的列方向先降采样，再升采样，获得横向低分辨数据集y，将所述轴向切片沿着图像的列方向进行升采样，获得轴向低分辨数据集z；
[0065]
s323b，将所述横向高分辨数据集x、所述横向低分辨数据集y和所述轴向低分辨数据集z进行拆分，形成一系列尺寸相同的非配对图像块；
[0066]
其中横向高分辨数据集x和横向低分辨数据集y中的图像块像素一一对应，横向高分辨数据集x和轴向低分辨数据集z中的图像块像素不对应，横向低分辨数据集y和轴向低分辨数据集z中的图像块像素不对应。
[0067]
其中，ga负责将横向低分辨数据y中的图像块yi转换为轴向低分辨数据z中的图像块zi。而gb负责将轴向低分辨数据z中的图像块zi转换为横向低分辨数据y中的图像块yi。判别器da负责区分真实图像块zi和网络生成的图像块ga(yi)，判别器db负责区分真实图像块yi和网络生成的图像块gb(zi)。
[0068]
进一步地，图像转换模型由基于循环一致的生成对抗网络组成，以循环一致的方式进行训练。循环一致是指横向低分辨数据集y中的图像块yi经过生成器ga和gb后，需要和其自身一致，且轴向低分辨数据集z中的图像块zi经过生成器gb和ga后，需要和其自身一致。无监督网络模型包含图像转换模型和图像恢复模型的交替优化，即在每个迭代优化周期内，先优化所述图像转换模型，然后再优化所述图像恢复模型，且所述图像转换模型以循环一致的方式进行训练。
[0069]
在实现循环一致训练时，以最小化损失函数为目标，s3中的损失函数l包括，循环一致损失l
cycle
，生成对抗损失l
gan
，内容损失l
con
，和反馈损失l
feed
，即：
[0070]
l＝l
cycle
+λl
gan
+ρl
con
+σl
feed
ꢀꢀꢀꢀ
(1)
[0071]
其中λ，ρ和σ分别表示生成对抗损失l
gan
，内容损失l
con
，和反馈损失l
feed
所占的权重，λ∈(0，1]，ρ∈(0，10]和σ∈(0，1]。
[0072]
循环一致损失l
cycle
定义为：
[0073][0074]
其中yi，zi分别表示横向低分辨数据y和轴向低分辨数据z中的图像块，n为图像块的总数，其目的是保证图像转换过程中结构的一致性。
[0075]
为了防止网络学习到恒等映射，引入了生成对抗损失来强制生成器ga和gb生成对应图像数据中的图像块。生成对抗损失l
gan
由生成损失l
gen
和对抗损失l
dis
组成：
[0076]
l
gan
＝l
gen
+l
dis
ꢀꢀꢀꢀ
(3)
[0077]
l
gen
表示生成损失，l
dis
表示对抗损失，其中生成损失l
gen
定义为：
[0078][0079]
对抗损失l
dis
定义为：
[0080][0081]
图像恢复模型由基于残差连接的卷积神经网络h构成，负责将轴向低分辨图像块zi恢复成横向高分辨图像块xi。由于xi和zi也是像素不对应的，无法直接训练。而xi和yi是像素对应的，因此可以利用图像转换模型训练的生成网络ga将yi转换为轴向低分辨数据z中的图像这时xi和是像素对应的，具体地，可以通过最小化内容损失l
con
进行训练。内容损失定义为：
[0082][0083]
其中xi表示横向高分辨数据x中的图像块，表示冻结权重后的生成网络ga。
[0084]
图像恢复模型的训练效果可以对图像转换模型形成反馈，因此引入了反馈损失，来让生成网络ga更好的学习横向低分辨数据y到轴向低分辨数据z的映射。反馈损失l
feed
定义为：
[0085][0086]
更具体地，由于总的损失函数由这四部分损失函数按一定的权重进行组合：
[0087]
l＝l
cycle
+λl
gan
+ρl
con
+σl
feed
ꢀꢀꢀꢀ
(1)
[0088]
例如，可以取λ＝0.1，ρ＝1和σ＝0.1。最小化损失函数l的优化器选用adam优化方法，初始学习率为0.0001，每经过15轮迭代，学习率衰减一半，总共训练60轮。
[0089]
除了可以采用循环一致生成对抗网络cyclegan外，无监督网络模型其结构还可以是无监督图像转换网络unit或其他能够实现非配对图像转换的神经网络模型。
[0090]
进一步地，s33中具体步骤包括：
[0091]
s331，将当前数据块分别沿着x方向和y方向进行重切片，获得xz和yz两个方向的轴向切面，将这两个方向的轴向切面沿着列方向插值升采样，使其像素分辨率与行方向一致；
[0092]
s332，将升采样后两个方向的轴向切面依次输入到所述轴向分辨率提升神经网络中，获得轴向分辨率提高的xz和yz切面图；
[0093]
s333，将s332中xz和yz切面图重切片回原始的xy方向，并进行平均。
[0094]
通过采用上述步骤的处理，局部的复杂数据块中密集缠结的神经纤维信号变得更加容易区分，追踪者能够在三维空间中任一视角下对该区域的信号进行清晰观察，神经元的追踪准确率和效率有了很大提升。
[0095]
经过本方法s1-s3后，对待重建神经元胞体进行追踪，图2左边为全脑神经元重建过程中在s5读取的一个局部数据块，该局部数据块为密集信号数据块，数据块大小为300
×
300
×
60体素(60张300
×
300的横向高分辨图像)，体素分辨率0.2
×
0.2
×
1μm，数据块对应实际大小为60
×
60
×
60μm。因此，在s3中需对该数据块进行轴向分辨率增强。将该数据块作为s3中的当前数据块，分别沿着x和y方向进行重切片，获得xz和yz两个方向的轴向切面。xz方向的轴向切面包含300张300
×
60像素大小的轴向低分辨图像，yz方向的轴向切面包含300张300
×
60像素大小的轴向低分辨图像。将xz和yz两个方向的轴向切面中的每一张轴向图像沿着列方向升采样1/0.2倍，分别得到xz方向300张300
×
300像素大小的轴向低分辨图像，和yz方向300张300
×
300像素大小的轴向低分辨图像。将这些轴向低分辨图像依次输入到训练好的无监督网络模型中，分别获得xz方向300张300
×
300像素大小的轴向高分辨图像以及yz方向300张300
×
300像素大小的轴向高分辨图像。将这两个方向的切面图重切片，还原到xy方向，得到两个大小为300
×
300
×
300体素的数据块，数据块的体素分辨率提升到0.2
×
0.2
×
0.2μm。将这两个数据块算术平均，最终得到轴向分辨率提升的三维数据块，如图2右边所示。可以从视觉上明显看出，恢复前的神经元轴向图像十分模糊，纤维连接关系难以判断。经过恢复后，图像轴向分辨率有了很大提升，原来模糊的伪影得到去除，高频的图像细节得以恢复，纤维连接关系变得更好判断。
[0096]
为了更好地说明本方案对全脑神经元重建的准确率和效率提升，在一套全脑数据中选取了50个局部的复杂数据块。用训练好的无监督网络模型对这50个数据块进行了恢复。随后将恢复前的原始数据和经过网络模型处理后轴向分辨率提升的数据混合并打乱顺序，组成了一套包含100个数据块(50个原始数据块和50个对应的轴向分辨率提升后的数据块)的测试数据集。对这个测试数据集里的所有数据块进行神经元重建，并记录判断连接关系时所花的时间。结果如图3所示，可以看到在原始数据块上，判断时间基本在2分钟以上，并且有大量的数据，判断时间需要3分钟以上。而在经过网络模型处理后的轴向分辨率提升的数据块上，判断时间基本在2分钟以内，并且有大量数据可以在1分钟内判断完成。这个实验证明了对数据块进行轴向分辨率提升可以降低神经元重建的难度，加快重建速度。进一步的，通过进行三次实验，评估这些数据的判断准确率，以及局部数据块的判断错误，引起的神经元追踪错误(错误追踪的纤维长度和错误追踪的分支数)，统计结果如表1所示。
[0097]
表1
[0098][0099]
可以看到在原始数据块上追踪，平均的判断准确率仅有64％。错误的判断引起的累积错误追踪长度为37.3mm，错误分支数为507个。经过轴向分辨率提升后，平均判断准确率提升到98％，错误的追踪长度仅有1.7mm，错误分支数仅有29个。这证明了本技术提出的方法能够大幅提升全脑神经元重建的准确率。
[0100]
最后对本技术提出的神经元重建流程所需的计算成本和存储成本进行分析。利用本技术的方案完整重建了一套鼠脑样本中的所有神经元，并自动记录了所有执行轴向分辨率提升的局部数据块，这些局部数据块的总数为485。每个局部数据块的神经网络恢复时间为1.8s，因此总共耗时为15分钟。整套鼠脑样本包含有7730940个200体素见方的局部数据块，数据量为22tb。如果采用传统的处理方式，将所有数据块都进行轴向分辨率提升，则需耗时3840小时，数据量将增大到110tb。对比之下，本技术提出的解决方案在计算成本和存储成本上有绝对的优势。
[0101]
以上所述本发明的具体实施方式，并不构成对本发明保护范围的限定。任何根据本发明的技术构思所做出的各种其他相应的改变与变形，均应包含在本发明权利要求的保护范围内。

技术特征：
1.一种提高全脑神经元重建准确率和速度的方法，其特征在于，包括如下步骤：s1，将全脑三维数据分割成n个体积相等的三维数据块，将所有三维数据块按照位置索引保存，n为正整数；s2，给待重建神经元胞体设定初始三维坐标，设置追踪起始点，所述追踪起始点为待重建神经元胞体的初始三维坐标，根据所述追踪起始点获取第1个感兴趣区域，并读取所示第1个感兴趣区域对应的三维数据块，并将第一个感兴趣区域对应的三维数据块作为当前数据块；s3，根据当前数据块的信号密度和复杂程度选择是否需要进行轴向分辨率提升，如需轴向分辨率提升，则对当前数据块进行轴向分辨率增强；如无需轴向分辨率提升，则直接进入下一步；s4，重建当前数据块下的神经元；s5，根据神经元的走向，自动追踪获取下一个感兴趣区域，并读取下一个感兴趣区域对应的三维数据块，将下一个感兴趣区域对应的三维数据块作为新的当前数据块；s6，重复步骤s3-s5直到整个神经元形态重建完成。2.根据权利要求1所述的一种提高全脑神经元重建准确率和速度的方法，其特征在于，s3中对当前数据块进行轴向分辨率增强的具体步骤为：s31，搭建无监督网络模型；s32，从所述全脑三维数据中直接生成非配对训练数据集训练所述无监督网络模型，获得轴向分辨率提升神经网络；s33，将所述当前数据块输入至所述轴向分辨率提升神经网络中，获得轴向分辨率增强的三维数据块。3.根据权利要求2所述的一种提高全脑神经元重建准确率和速度的方法，其特征在于，s31中所述无监督网络模型为循环一致生成对抗网络cyclegan。4.根据权利要求3所述的一种提高全脑神经元重建准确率和速度的方法，其特征在于，所述无监督神经网络模型包括两个结构相同的生成网络g
a
、g
b
和两个结构相同的判别网络d
a
、d
b
。5.根据权利要求4所述的一种提高全脑神经元重建准确率和速度的方法，其特征在于，所述无监督网络模型以循环一致的方式进行训练。6.根据权利要求4所述的一种提高全脑神经元重建准确率和速度的方法，其特征在于，s32中所述非配对训练数据集由所述全脑三维数据中的三维数据块直接生成，具体包括：将获取的三维数据块分别沿横向和轴向进行切片，获得其横向切片和轴向切片，所述横向切片即横向高分辨数据集x，所述轴向切片即轴向低分辨数据集y；将所述轴向低分辨数据集y沿着列方向插值升采样，使其像素分辨率和横向高分辨数据集x一致；将所述横向高分辨数据集x和所述轴向低分辨数据集y进行拆分，得到一系列尺寸相同，像素不对应的非配对图像块，作为非配对训练数据集。7.根据权利要求3所述的一种提高全脑神经元重建准确率和速度的方法，其特征在于，所述无监督神经网络模型包括基于生成对抗网络的图像转换模型和基于卷积神经网络的图像恢复模型，所述图像转换模型包括两个结构相同的生成网络g
a
、g
b
和两个结构相同的判
别网络d
a
、d
b
，所述图像恢复模型为带有残差连接的残差神经网络或含有降采样路径和升采样路径的u型网络。8.根据权利要求7所述的一种提高全脑神经元重建准确率和速度的方法，其特征在于，s32中所述非配对训练数据集由全脑三维数据中的三维数据块直接生成，具体包括：将获取的所述三维数据块分别沿横向和轴向进行切片，获得其横向切片和轴向切片，所述横向切片即横向高分辨数据集x；将所述横向高分辨数据集x沿着图像的列方向先降采样，再升采样，获得横向低分辨数据集y，将所述轴向切片沿着图像的列方向进行升采样，获得轴向低分辨数据集z；将所述横向高分辨数据集x、所述横向低分辨数据集y和所述轴向低分辨数据集z进行拆分，形成一系列尺寸相同的非配对图像块；其中所述横向高分辨数据集x和所述横向低分辨数据集y中的图像块像素一一对应，所述横向高分辨数据集x和所述轴向低分辨数据集z中的图像块像素不对应，所述横向低分辨数据集y和所述轴向低分辨数据集z中的图像块像素不对应。9.根据权利要求8所述的一种提高全脑神经元重建准确率和速度的方法，其特征在于，所述无监督网络模型训练时，在每个迭代优化周期内，先优化所述图像转换模型，然后再优化所述图像恢复模型，且所述图像转换模型以循环一致的方式进行训练。10.根据权利要求2所述的一种提高全脑神经元重建准确率和速度的方法，其特征在于，s33中具体步骤包括：s331，将当前数据块分别沿着x方向和y方向进行重切片，获得xz和yz两个方向的轴向切面，将这两个方向的轴向切面沿着列方向插值升采样，使其像素分辨率与行方向一致；s332，将升采样后两个方向的轴向切面依次输入到所述轴向分辨率提升神经网络中，获得轴向分辨率提高的xz和yz切面图；s333，将s332中xz和yz切面图重切片回原始的xy方向，并进行平均。

技术总结
本发明提供了一种提高全脑神经元重建准确率和速度的方法，包括S1全脑大数据归档；S2给待重建神经元设定初始三维坐标，获取第1个感兴趣区域对应的三维数据块，并将该三维数据块作为当前数据块；S3判断当前数据块是否需要进行轴向分辨率提升，如需轴向分辨率提升，则对当前数据块进行轴向分辨率增强；否则进入S4；S4重建当前数据块下神经元；S5根据神经元的走向，自动追踪获取下一个感兴趣区域对应的三维数据块，将该三维数据块作为新的当前数据块；S6重复步骤S3-S5直到神经元重建完成。本发明在全脑神经元重建中，根据需求针对信号密集复杂的区域进行实时轴向分辨率提升，方便看清虚假连接，提高重建的准确率和速度，不产生额外时间和存储成本。外时间和存储成本。外时间和存储成本。


技术研发人员：袁菁 龚辉 宁可夫 卢渤霖 张小宇
受保护的技术使用者：华中科技大学苏州脑空间信息研究院
技术研发日：2022.07.13
技术公布日：2022/11/1