周围神经损伤可导致严重的瘫痪和神经功能障碍,是临床上的常见疾病。周围神经中神经束的三维(3D)可视化技术可提供详细的周围神经内部的空间信息,在周围神经损伤修复术中根据此信息选择合适的临床手术方案去修复周围神经损伤,这很有可能恢复神经的传导和控制功能。因此,周围神经中神经束的3D可视化技术一直是该领域的研究热点。周围神经Micro CT图像中神经束的轮廓信息是周围神经3D重建和可视化的基础。采用不同染色方法(例如无染色或饱和氯化钙染色)获取的周围神经标本经过Micro CT扫描后得到的图像,其前景和背景有很大的不同。这些图像在采用常规方法获取神经束轮廓时,需要采用不同的特征提取和识别方法,费时费力,且获得的神经束轮廓一致性不佳。因此,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Micro CT图像,研究如何进行神经束的标准化分割流程,目的在于无论采用何种染色方法获得的周围神经Micro CT图像均可在标准化流程下自动进行神经束轮廓获取。本文得到广东省自然科学基金项目(编号:2018A0303130137)、广东省高性能计算重点实验室开放项目(编号:TH1528)和国家自然科学基金项目(编号:61975248)的资助。本文的主要工作如下:1.目前不同染色方式获取的周围神经Micro CT图像,需要采用不同的神经束轮廓获取方法。因此,本文提出了周围神经Micro CT图像中神经束分割的标准化流程,使不同染色方法获得的不同尺寸的神经断层扫描图像在统一框架下实现神经束轮廓获取。2.构建图像数据集。对冻干无染色、饱和氯化钙染色两种染色方式制备的周围神经Micro CT图像,进行图像标注、分组等操作。然后将图像数据集分为三个子集,即无染色的图像数据集(子集1),氯化钙染色的图像数据集(子集2)和混合图像数据集(子集3)。3.对原始的Mask R-CNN算法中特征提取部分的网络结构进行改进。提出了一种密集连接型网络结构提取神经束的区域特征,实现多层特征之间的传递,更充分的复用提取到的特征,简称为改进1算法。4.在改进1算法的基础上,对Mask R-CNN算法中目标检测部分候选框的得分评价规则进行改进。降低算法的漏检率,简称为改进2算法。5.在改进2算法的基础上,结合迁移学习策略对Mask R-CNN算法的训练方式进行改进。提高神经束分割准确度,简称为改进3算法。6.提出了用分割精细度阈值对分割精度进行评价,并探索了周围神经Micro CT图像中获取神经束轮廓过程中精细度阈值的最佳取值。实验结果表明:(1)本文提出的标准化流程对于两种染色方式获取的周围神经Micro CT图像都有较好的分割效果,准确率均在83%以上,交并比均高于87%;(2)在图像特征较为复杂的无染色方式获取的周围神经Micro CT图像中,3个改进算法可逐步提高算法的准确率和交并比,且本文所提出的改进3算法的提高效果最显著,具有收敛速度快、训练效果好、准确率高的特点,最适合于由无染色方式获取的周围神经Micro CT图像中神经束轮廓的获取任务;(3)在训练集图像数量较少但神经束轮廓具有一定规律的氯化钙染色方式获取的周围神经Micro CT图像中,原始的Mask R-CNN算法与3个改进算法的准确率和交并比均在90%以上,且对于精细度阈值的改变具有一定的稳定性。其中改进1算法,在精细度阈值较高时,交并比最高,具有更好的轮廓获取精细度;(4)在两个子集中,改进3算法的准确率与交并比曲线在精细度阈值为0.85时相交。此时,可以较好的平衡准确率与交并比两个评价指标。该发现尚属首次。综上所述,针对不同染色方法获得的周围神经Micro CT图像,采用本文的标准化分割流程可以准确、快速、全自动获取神经束轮廓。