局部特征与点云配准引导下的神经元相似性度量方法

针对现有神经元形态学匹配与相似性度量方法难以有效处理大规模且结构复杂神经元数据的问题,提出一种由局部特征与点云配准引导下的神经元相似性度量方法.首先,利用全局特征进行大规模检索完成神经元相似数据的初筛;其次,基于深度卷积自编码器,对筛选后的神经元数据进行无监督的局部特征提取,实现两两神经元之间的粗配准,并借助迭代最近点算法,将具有空间树型结构的神经元匹配问题转换为点云的三维配准问题;最后,通过与全局特征下的检索结果进行融合,实现神经元形态数据的相似性度量.在NeuroMorpho公开数据集上抽取了19286个神经元,并与其他6种相似性度量方法进行对比实验,文中方法的Top-1和Top-50精度分别为0.981和0.721,均优于现有对比方法,验证了其在大规模数据集上的有效性与精确性.

基于卷积自编码器与点云配准的神经元形态相似性度量方法

神经元形态与其功能密切相关,随着神经元示踪技术的进步,越来越多高质量的三维神经元形态学数据得以重建。针对当前体量越发庞大的神经元形态学数据,提出一种基于深度卷积自编码器和空间配准的神经元形态相似性度量方法,通过快速对比与精细对比两步完成从整体到分支的神经元形态分析度量框架,实现高效、精确的对比算法。实验所用的99453个三维神经元形态数据来自NeuroMorpho数据集。实验中,相比于现有的精细对比算法,该算法的实现速度加快了20倍,同时可应用于任意神经元形态学数据,无需提供其他的先验条件,通用性强。对于已在脑图谱模板中配准的神经元,选取233个uPNs神经元作为验证数据,可实现97.39%的检索精度;对于未配准的神经元,选取3种类型的神经元数据进行验证,包括:495个谷氨酸能神经元、389个DA神经元、249个锥体神经元,可分别达到91.7%、93.79%、83.1%的检索精度。所提出方法可为神经元类型鉴定、将神经元形态与特性进行关联分析提供支持。

基于三维深度神经网络的大规模神经元形态表征与检索方法

高效准确的相似神经元检索方法是神经元形态分析的重要支撑.随着高精度显微成像、神经元示踪、人工智能等技术的发展,近些年出现了若干基于机器学习的神经元形态计算与分析方法,这些研究主要包括对传统神经元形态度量指标的统计分析,以及将神经元形态二维投影与深度学习结合的神经元量化表征方法,在神经元的特征提取、分类、相似检索等任务中均取得了不错的效果.不过随着越来越多的三维神经元数据被重建出来,以上方法都无法满足当前背景下对大规模神经元形态数据的细粒度表征、检索与分类需求.为此,本文提出了基于三维深度神经网络的大规模神经元形态表征与检索方法.首先,为了将神经元的三维空间拓扑结构转换成适用于深度神经网络的形式,我们设计了神经元空间形态的体素转换方法,将原始的神经元重构文件转换成三维体素的形式,极大地保留了神经元的三维空间拓扑结构.随后,考虑到当前神经元数据缺乏精细的分类标准,本文设计了基于三维卷积自动编码器的神经元形态表征算法,应用深度神经网络无监督地学习神经元体素数据的结构特点,得到神经元形态的量化表征,并以此设计端到端的相似神经元快速检索算法.最后通过实验验证本文所提出的方法,在9万余神经元数据中检索形态相似的神经元,实验结果显著优于其他基于神经元量化表征的检索方法.实验表明,本文方法可以更高效准确地检索相似神经元,为神经元的形态学分析、神经元单细胞分类等相关研究的关键问题提供支持.