大脑由多种复杂而精细的结构组成,它们的连接和活动与人类情感、学习、记忆等高级功能密切相关。为了解密大脑结构与功能的联系,需要在单细胞水平对神经元等结构的空间特征和规律进行研究。在这些研究中,利用图像配准技术能够将来自多源的数据映射到脑立体定位图谱中,进而实现大脑信息的空间定位,在神经元投射、信息整合、样本形态校正等方面具有重要意义。近年来,光学显微成像技术的发展促进了全脑高分辨图像的获取,但也为图像配准带来了大数据问题。然而,脑科学领域的配准研究普遍使用传统方法,只能处理GB量级的低分辨数据,目前还无法准确配准10 TB及以上量级的全脑光学显微图像。因此,实现这个目标进而达到一定应用需求的通量水平是一个极具挑战的研究问题。为此,本文以准确性占优的脑区特征作为研究基础,分别解决了脑区特征自动提取和大体积数据空间变换两个关键问题,并构建了一个用于脑图像大数据的配准工具。具体如下:建立了基于卷积神经网络的脑区轮廓自动分割方法,解决了脑区特征自动提取的问题。该方法利用双尺度的卷积神经网络,从不同感受野中提取局部和上下文的特征;再结合基于图像配准的初始定位和基于范围条件约束的追踪定位,提供脑区的全局位置特征,从而使得方法兼顾全局、上下文和局部的多尺度特征。随后将方法应用到多个脑区和多种类型数据中,通过测试对比,分割结果的Dice系数达到0.95,准确性优于多种现有方法。进一步,通过多显卡优化,处理通量提升至4倍左右,能够在一天内提取3.4套全脑数据的多个脑区。建立了全脑高分辨图像大数据的空间变换方法,解决了大体积数据空间变换的问题。该方法利用虚拟位移场和实时插值实现了高分辨位移场的应用,建立了基本方法流程。再结合高性能并行计算,设计了不同数据场景的空间变换方法——基于轴向分段、基于三维分块、基于可选数据和矢量化数据。随后,在模型图像数据、生物图像数据和神经元形态上验证了方法的正确性,并展示了在细胞分辨全脑数据上的变换效果,在性能上远优于多种现有方法。通过视频压缩和外轮廓约束的优化,处理通量提升至5倍左右,能够在一天内完成1.7套20 TB量级全脑数据的空间变换。在方法研究的基础上,进一步设计了一个脑图像大数据配准工具。通过将其应用在尼氏染色鼠脑数据中,展现了对全脑的准确校正;应用在亚微米分辨鼠脑数据中,展现了对神经元精细投射的空间定位;应用在细胞分辨病毒标记猕猴脑数据中,展现了对更大规模数据集的配准潜力。综上所述,本文对全脑光学显微图像大数据的高通量配准展开了深入的研究,针对其中的关键问题,实现了多个脑区特征的自动提取和大体积数据的空间变换,完成了全脑高分辨图像数据的自动、高效配准,为介观水平脑科学研究提供了有利工具。