突触是两根神经元相互接触形成的结构,大量神经元通过突触形成神经回路。突触的数量在一定程度上可以反映神经回路的连接复杂程度,同时也是生物大脑学习表征的一个方面。通过观测大体量电镜图像下突触数量与形态的变化,从而展开突触可塑性的研究是近年来神经科学家的一个研究热点。新突触连接的形成或突触的结构重塑被认为与潜在的学习和记忆有关。随后的生物研究表明,行为学习或环境刺激可导致脊椎动物大脑突触形态的改变,形成多位点突触。通过研究多位点突触的形态类型和分布,可以探讨记忆形成、储存和巩固过程中多位点突触与学习行为的关系。统计国内外关于多位点突触的研究文献发现,对于多位点突触的研究只关注其形成和变化与某些学习、刺激、病理等相关,这些研究从未涉及多位点突触形态的分类。鉴于深度神经网络在医学图像处理许多复杂问题方面已经超越了人类的水平,它能够从医学图像大数据中自动提取图像中各种生物结构特征,同时电子显微镜技术的发展使得观测更精细的生物结构成为可能。我们开展基于深度学习的电镜图像下多位点突触形态类型的自动分类研究,通过深度学习网络处理多位点突触图像数据,为自动分类方法提供基础。在数量庞大的神经电镜图像中,如何高效准确地分类多位点突触的形态类型以大幅降低人工劳动量,对于大体量多位点突触研究来说至关重要。本论文从多位点突触的构成展开,以深度学习为基础,提出并结合卷积神经网络中Mask R-CNN网络和Fusion Net网络对多位点突触的微观结构进行检测与分割处理,然后提出了一种基于突触间隙形态拟合并结合囊泡带结构的方法对多位点突触的形态进行分类。主要步骤概括为三个部分:突触间隙检测与分割、囊泡带分割和基于突触间隙和囊泡带结构的多位点突触分类。最终在四组电镜图像数据集上的实验表明,所提方法的平均准确率可达97%左右,在公共数据集上的实验结果也显示所提方法的准确率可达96.5%。此外,与先进的深度学习网络直接分类多位点突触相比,所提方法对电镜图像的分类精度更高一些。分类结果为后续研究的定量统计提供了依据,并且这种自动分类方法可以减少人工统计的时间,使研究人员可以更多地关注统计结果的分析。这项工作旨在解决神经学家关于大数据下多位点突触的分类问题,为相关科学论断提供更加真实有效的现实依据。