周围神经MicroCT图像中神经束轮廓获取

目的采用不同染色方法获得的周围神经标本经过MicroCT扫描后,会获得不同效果的神经断层扫描图像。本文针对饱和氯化钙染色、无染色方法获得的两种周围神经MicroCT图像,提出一种通用的方法,实现不同染色方法获得的周围神经MicroCT图像在统一架构下的神经束轮廓获取。方法首先设计通用方法架构,构建图像数据集,完成图像标注、分组等关键性的准备环节。然后将迁移学习算法与蒙皮区域卷积神经网络(mask R-CNN)算法结合起来,设计通用方法中的识别模型。最后设计多组实验,采用不同分组的图像数据集对通用方法进行训练、测试,以验证通用方法的效果。结果通用方法对不同分组的图像数据集的神经束轮廓获取准确率均超过95%,交并比均在86%以上,检测时间均小于0.06 s。此外,对于神经束轮廓信息较复杂的图像数据集,迁移学习结合mask R-CNN的识别模型与纯mask R-CNN的识别模型相比较,准确率和交并比分别提高了5.5%9.8%和2.4%3.2%。结论实验结果表明,针对不同染色方法获得的周围神经MicroCT图像,采用本文方法可以准确、快速、全自动获取得到神经束轮廓。此外,经过迁移后的mask R-CNN能显著提高神经束轮廓获取的准确性和鲁棒性。

周围神经MicroCT图像中神经束轮廓获取算法的改进

采用原始的蒙皮区域卷积神经网络(Mask R-CNN)获取周围神经MicroCT图像中的神经束轮廓时存在收敛慢、精度低等问题.首先构建两个数据子集,然后提出一种密集连接型网络结构,提取神经束区域特征.此外,改进目标检测部分候选框的得分评价规则,并结合迁移学习策略改进原始算法的训练方式.采用准确率和交并比指标评价算法的准确度,精细度阈值指标评价轮廓获取的精度,并确定了精细度阈值的最佳值.实验结果表明,改进后算法在两个数据子集中的准确率和交并比均在83%和87%以上.在精细度阈值为0.85时,获得的神经束轮廓最佳.由此可见,改进后算法能够良好地实现从周围神经MicroCT图像中获取神经束轮廓的目标,为周围神经内部结构的三维可视化奠定基础.

向远端延伸的周围神经束分裂与合并次数自动获取方法

周围神经内的神经束分裂与合并次数和结构极有可能与其发育有关。当前,针对周围神经序列MicroCT图像中的神经束分裂与合并次数,完全依赖于人工计数方法进行统计,存在易出错、效率低等问题。为实现对神经束分裂与合并次数的自动获取,首先,在完成神经束类圆度统计学分析的基础上,从数学角度提出了序列MicroCT图像中四肢周围神经内部神经束分裂过程与神经束合并过程的定义;其次,提出了ACA-SCN算法,即利用相邻图像间的神经束质心总数的差分结果进行次数的自动获取;最后,提出了ACA-COM算法,即利用神经束的质心偏移量实现对同一神经束的跟踪匹配。以人工方式处理的3个标本中的41个分裂过程和51个合并过程作为评价标准。分析结果表明,所提出的神经束分裂与合并的开始与结束位置定义准确,无例外情况出现;ACA-SCN算法的神经束质心总数计数结果误差为8.69%;ACA-COM算法对神经束分裂与合并次数的计数与人工计数结果完全一致,能正确计数在一张图像上同时发生神经束分裂与合并的情况,也能正确计数单根神经束分裂为3根、3根神经束合并为单根神经束的情况。上述分析结果为后续探索单位长度内神经束分裂与合并次数的统计规律提供了基础。