第 1 章 緒論

1.1 研究背景和意義

人類大腦由100多億個(gè)神經(jīng)細(xì)胞構(gòu)成，，相當(dāng)于銀河系中星體的總數(shù)，所以可以看做是一個(gè)“小宇宙”。然而，我們卻對(duì)自己的大腦知之甚少。為了研究大腦的工作原理，美國(guó)于2013年宣布啟動(dòng)腦科學(xué)計(jì)劃(Brain Research throughAdvancing Innovative Neuro technologies，BRAIN)[1]，歐盟和日本也緊隨其后，分別啟動(dòng)了歐洲腦計(jì)劃(The Human Brain Project)[2]和日本大腦研究計(jì)劃(BrainMapping by Integrated Neurotechnologies for Disease Studies，Brain/MINDS)。而在中國(guó)，中國(guó)科學(xué)院早在2012年就已啟動(dòng)了戰(zhàn)略性先導(dǎo)科技專項(xiàng)(B類)“腦功能聯(lián)結(jié)圖譜計(jì)劃”(Mapping Brain Functional Connections，簡(jiǎn)稱腦功能圖譜)，充分體現(xiàn)了中國(guó)科學(xué)院的科學(xué)家們對(duì)腦科學(xué)研究的高度重視。此外，中國(guó)腦科學(xué)和智能技術(shù)相關(guān)領(lǐng)域的專家也就“腦科學(xué)與類腦科學(xué)研究”計(jì)劃（簡(jiǎn)稱“中國(guó)腦計(jì)劃”）的啟動(dòng)達(dá)成了基本共識(shí)。

...............

1.2 微觀重建技術(shù)的研究現(xiàn)狀與展望

神經(jīng)元標(biāo)注和成像方法的相關(guān)研究已有 100 多年的歷史，但是由于受限于計(jì)算機(jī)的存儲(chǔ)和分析能力，對(duì)大規(guī)模突觸尺度的神經(jīng)環(huán)路的研究，直到最近幾年才較大范圍的開(kāi)展起來(lái)。相應(yīng)的，基于大體量神經(jīng)解剖電鏡圖像數(shù)據(jù)集的計(jì)算分析、重建神經(jīng)元形態(tài)以及整個(gè)神經(jīng)環(huán)路，也成為了一個(gè)新的研究領(lǐng)域[3]。圖 1-1 為不同尺度的腦圖譜所蘊(yùn)含的信息示意圖。由圖可知腦圖譜所蘊(yùn)含的信息與其探索的尺度密切相關(guān)，一般從宏觀、介觀和微觀三個(gè)層面進(jìn)行展開(kāi)。其中微觀重建即表示突觸水平的神經(jīng)結(jié)構(gòu)的三維重建。

...............

第 2 章 序列圖像的獲取及預(yù)處理

2.1 實(shí)驗(yàn)平臺(tái)簡(jiǎn)介

盡管近年來(lái)熒光顯微鏡的分辨率得到了很大的提升，電子顯微鏡仍然是突觸成像以及觀察與分析其形態(tài)特征等方面的唯一工具[21]。中國(guó)科學(xué)院自動(dòng)化研究所微觀重建與分析研究組在現(xiàn)有的電子顯微鏡等儀器設(shè)備的基礎(chǔ)上，聯(lián)合國(guó)內(nèi)神經(jīng)科學(xué)領(lǐng)域相關(guān)實(shí)驗(yàn)室，實(shí)現(xiàn)了腦微觀結(jié)構(gòu)重建平臺(tái)的搭建工作，如圖 2-1所示，圖中表示的是該平臺(tái)實(shí)現(xiàn)的樣品制備、自動(dòng)切片到電子顯微成像、圖像合成以及最后的三維重構(gòu)等相關(guān)內(nèi)容。

...............

2.2 樣本等離子刻蝕技術(shù)

在生物樣品制備和圖像獲取方面，目前很難獲得兼具襯度一致性好、組織結(jié)構(gòu)邊緣銳度較理想的圖像，且由于 SEM 成像主要采用圖像獲取速率較慢的背散射電子成像，導(dǎo)致生物組織樣品的圖像獲取周期較長(zhǎng)。其次，利用算法對(duì)已有報(bào)道中所獲取到的背散射電子圖像進(jìn)行生物微觀組織結(jié)構(gòu)自動(dòng)識(shí)別時(shí)遇到了較大挑戰(zhàn)，主要表現(xiàn)在識(shí)別準(zhǔn)確率和效率方面。因此，迫切需要尋找一種能快速獲取到襯度一致性好、組織結(jié)構(gòu)邊緣銳度理想的生物組織電子顯微圖像的方法。

...............

第 3 章 自動(dòng)化檢測(cè)相關(guān)算法介紹...............10

3.1 引言................10

3.2 特征描述................11

第 4 章 突觸的檢測(cè)方法................23

4.1 引言.................23

4.2 基于 AdaBoost 算法的突觸檢測(cè)...............24

第 5 章 突觸的分割與重建................29

5.1 引言................29

5.2 形態(tài)學(xué)運(yùn)算...............29

第 6 章 實(shí)驗(yàn)結(jié)果性能分析

6.1 算法性能衡量標(biāo)準(zhǔn)

在機(jī)器學(xué)習(xí)、圖像識(shí)別和信息索引等領(lǐng)域，一般采用 ROC 曲線（ReceiverOperating Characteristic curve）和 PR（Precision Recall）曲線作為算法優(yōu)劣的衡量標(biāo)準(zhǔn)。ROC 曲線是用于描述靈敏度的功能圖像，通過(guò)描述真陽(yáng)性率（True PositiveRatio，簡(jiǎn)稱 TPR）和假陽(yáng)性率（False Positive Ratio，簡(jiǎn)稱 FPR）來(lái)實(shí)現(xiàn)。其中TP（True Positives）是指預(yù)測(cè)為正樣本，實(shí)際也是正樣本的特征數(shù)；FP（FalsePositives）指預(yù)測(cè)為正樣本，但實(shí)際上是負(fù)樣本的特征數(shù)，因?yàn)殄e(cuò)預(yù)測(cè)為了正樣本，故稱之為 False Positive。

...............

6.2 檢測(cè)結(jié)果分析

圖 6-2 表示 AdaBoost 的檢測(cè)結(jié)果、AdaBoost 結(jié)合上下層信息得到的檢測(cè)結(jié)果和AdaBoost算法結(jié)合上下層信息和隨機(jī)森林三種方法累加得到的檢測(cè)結(jié)果的PR 曲線，更加直觀的反映了最終檢測(cè)流程的有效性。從圖 6-2 可以看出，采用 AdaBoost 算法對(duì)突觸進(jìn)行檢測(cè)時(shí)，PR 曲線(下)中不同參數(shù)下的平均準(zhǔn)確率均值(Mean Average Precision，mAP)為 0.6391。對(duì)AdaBoost 的檢測(cè)結(jié)果，進(jìn)行上下層信息關(guān)聯(lián)之后，突觸的檢測(cè)率有所提升，對(duì)應(yīng)的 PR 曲線(中)的 mAP 為 0.7409。在 AdaBoost 和上下層信息的基礎(chǔ)上，使用隨機(jī)森林方法得到的 PR 曲線(上)對(duì)應(yīng)的mAP為0.7775。如表 6-1 所示，為不同檢測(cè)結(jié)果對(duì)應(yīng)的檢測(cè)率對(duì)比。

...............

結(jié)論

本文提出一種適用于各向異性的序列圖像的自動(dòng)化三維重建流程，通過(guò)一系列的方法實(shí)現(xiàn)突觸的自動(dòng)化檢測(cè)與分割從而實(shí)現(xiàn)突觸的三維重建，其中的主要工作如下：首先，本文從特征和分類器兩個(gè)方面介紹了采用傳統(tǒng)的統(tǒng)計(jì)學(xué)習(xí)方法進(jìn)行目標(biāo)檢測(cè)的流程。具體包括：在特征方面，著重介紹了 Haar 特征、LBP 特征和HOG 特征的特點(diǎn)、主要思想及相應(yīng)的特征提取過(guò)程；在分類器方面，主要介紹了經(jīng)典的 AdaBoost 檢測(cè)分類器和隨機(jī)森林分類器，并分別詳細(xì)介紹了其各自的分類原理及訓(xùn)練過(guò)程。其次，本文詳細(xì)介紹了突觸的檢測(cè)過(guò)程。以及檢測(cè)時(shí)用到的三種檢測(cè)方法。首先采用 AdaBoost 算法進(jìn)行初步檢測(cè)，該過(guò)程主要考慮查全率；然后根據(jù)突觸在上下層序列圖像中的延展性以及切片厚度的限制，采用上下層信息關(guān)聯(lián)的方法對(duì) AdaBoost 檢測(cè)到的突觸進(jìn)行篩選過(guò)濾。最后，根據(jù)突觸前后包含囊泡信息的差異性以及亮度的差異構(gòu)造相應(yīng)的特征，并采用隨機(jī)森林的方式進(jìn)一步對(duì)候選的突觸進(jìn)行過(guò)濾，以進(jìn)一步提高突觸的檢測(cè)精度。

參考文獻(xiàn)（略）