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.