15、AI 助力神经元结构重建的 3D 生物医学数据分析

AI 助力神经元结构重建的 3D 生物医学数据分析

在生物医学图像分析任务中，U - Net 和 V - Net 等模型的出现，让编码器 - 解码器架构成为医学图像分割的标准骨干网络。然而，对于 3D 神经元树突等复杂结构，CNN 的优化往往涉及大量参数，影响其实时部署。下面将介绍两种用于神经元分割的深度学习方法，以应对大规模 3D 神经元图像分析中的效率挑战。

1. 基于三重交叉 2.5D CNN 的输入压缩

由于 3D 数据处理需要更多计算资源，2.5D CNN 被提出，它仅使用 2D 投影数据来学习特征表示。在此基础上，三重交叉 2.5D CNN 被设计出来，通过增加额外的截面平面，在保持 2D 操作效率的同时，保留更多信息。
- 梯度图像预处理 ：
- 为使神经网络训练数据分布相似，加快训练收敛，采用基于梯度的图像归一化技术。该技术通过计算每个强度值的平均梯度变体来生成源轮廓，公式如下：
[p_i = \frac{\sum_{g = 0}^{L - 1}b_{ig}}{\sum_{g = 0}^{L - 1}b_{i}}]
其中，(L) 为强度级别（这里为 256），(b_{ig}) 是双变量直方图中强度为 (i) 且梯度为 (g) 的体素出现次数。利用此轮廓对输入数据进行归一化，再输入网络。
- 真值定义 ：
- 手动标注的神经元结构存储在 SWC 文件中。为生成像素级分割真值，使用尺度空间距离变换技术突出中心线，公式为：
[D(p,r) = |p - p_{min}| 2^2 + w (r - r {min})]