论文部分内容阅读
脑科学研究中,为确定脑区及脑区间神经细胞的复杂网络连接关系,往往需要对脑切片中各个脑区的标记神经细胞和神经网络连接模式进行量化分析比较,即首先依据Atlas数字化脑图谱确定脑切片图像中每个脑区的位置坐标分布信息(脑切片图像区域定位),然后统计每个脑区中的标记神经细胞数量,进而开展各种连接模式的量化分析。但由于脑切片图像在手术和成像阶段不可避免的会引入各种扭曲、变形和失真,当前脑区定位和标记神经细胞计数工作仍需大量人力介入。因此,开发一套能适应各种扭曲、变形和失真脑切片的自动化区域定位和标记神经细胞计数系统,将大大提高脑科学相关研究的效率。脑切片-Average Template脑图谱的配准和脑切片中标记神经细胞的检测是实现自动化脑切片区域定位和神经细胞计数的关键。首先,针对脑切片图像存在扭曲、变形和失真,以及与Average Template脑图谱图像之间存在较大的模态差异等问题,本文提出一种结合PCANet的卷积神经网络无监督配准算法,实现了较为精准的脑切片-Average Template脑图谱配准,利用配准变形场对包含各脑区位置分布信息的Atlas数字化脑图谱图像进行变形,获得脑切片中各个脑区的定位信息;然后,针对常规方法在标记神经细胞检测任务中存在的漏检、误检问题,采用改进的Faster R-CNN目标检测算法对脑切片图像中标记神经细胞进行检测,实现了标记神经细胞精确的自动检测,获得每个标记神经细胞的位置信息;最后,结合每个标记神经细胞的位置信息和脑切片区域定位信息,实现各个脑区的标记神经细胞计数。具体工作如下:(1)脑切片图像预处理包括裁剪缩放、背景去除、灰度处理和仿射变换等内容。预处理可以去除图像中的干扰因素,减小脑切片和脑图谱之间的差距,提高脑区定位的准确程度。(2)预处理后的脑切片-Average Template脑图谱配准和脑区定位Average Template脑图谱与Atlas数字化脑图谱是同一对象不同模态的标准脑图谱。Average Template脑图谱与脑切片模态最为接近,但不包含脑区标记信息和空间坐标信息,Atlas数字化脑图谱包含脑区定位信息但与脑切片模态差异太大,因此需要通过脑切片-Average Template脑图谱配准后得到空间变形场,根据此空间变形场再将Atlas数字化脑图谱脑区定位信息映射到脑切片上。由于需要统计脑切片上标记神经细胞的数量,因此需要保持脑切片的不变性,将脑切片作为参考图像,脑图谱作为浮动图像配准到脑切片上。配准及脑区定位步骤首先基于小鼠荧光标记脑切片,在脑科学专家的协助下获取脑切片对应的ARA(Allen Reference Atlases,ARA)数据库中的Atlas数字化脑图谱和Average Template脑图谱,进行预处理操作后使用基于PCANet的结构表示网络将Average Template脑图谱与小鼠脑切片进行同模态转换;然后使用Reg-net及STN空间变换网络实现无监督配准;最后使用由配准模型得到的空间变形场对Atlas数字化脑图谱进行变形,得到脑切片的区域定位信息。(3)脑切片中的标记神经细胞检测针对传统的阈值检测算法进行标记神经细胞检测存在的漏检和误检现象,提出改进的Faster R-CNN目标检测算法,即IRN Faster R-CNN(Swish)检测算法进行各个脑区标记神经细胞的检测,获得各标记神经细胞坐标信息。该算法结合Res Net和Inception Net作为主干网络,提高了网络对多尺度特征的提取能力,并将Re LU激活函数替换为Swish激活函数,提高了模型的非线性拟合能力,最后结合RPN(Region Proposal Network,RPN)网络提高了算法的检测效果。(4)脑切片各脑区标记神经细胞计数及GUI系统实现将得到的脑切片区域定位信息与标记神经细胞坐标定位信息进行对比,从而得到了每个脑区中的标记神经细胞数量。构建了基于Py Qt5的脑切片图像区域定位及标记神经细胞计数系统,方便脑科学研究者使用本文提出的算法模型。通过对比实验结果,证明本文提出的方法可以对脑切片图像进行更精确快速的区域定位,提出的结合PCANet的卷积神经网络无监督配准模型配准结果与Voxelmorph配准结果相比,均方根误差(Root Mean Squared Error,RMSE)降低了1.63%,相关系数(Cross Correlation,CC)、互信息(Mutual Information,MI)分别提升了2.31%、0.63%,且配准时间缩短至1秒以内;各脑分区标记神经细胞检测准确,提出的IRN Faster R-CNN(Swish)检测模型m AP值达到98.9%,检测精度优于其他目标检测算法。