17、AI 助力 3D 神经元结构重建：高效追踪与精准分析

AI 助力 3D 神经元结构重建：高效追踪与精准分析

1. 神经元追踪方法概述

在神经元结构重建领域，Rivulet2 相较于以往方法，能更精准地追踪整体神经元结构。它避免了包含噪声点时丢弃整个结构和过拟合的问题，其合并过程不依赖易受噪声影响的布线阈值，而是持续追踪直至找到真正最近的点。然而，Rivulet1 和 Rivulet2 在计算时间穿越图时都需对整个输入图像进行操作，对于大规模 3D 神经元图像，这种方式效率较低，会带来较大的内存和计算负担。

为解决这一问题，提出了一种逐块追踪框架 MEIT（Memory (and Time) Efficient Image Tracing）。MEIT 受 UltraTracer 启发，将计算友好的逐块追踪范式应用于 Rivulet2 算法中，从初始小方块开始向外扩展完成追踪。与 UltraTracer 不同的是，MEIT 使用快速行进法计算最接近四个边界面的四个精确端点，从而将每次迭代中计算整个图像的快速行进时间穿越图的主要计算成本降低到一个小方块。

2. MEIT 框架详解

2.1 初始块定义

MEIT 从体细胞中心区域开始追踪，该区域预计包含整个图像中的最大距离变换值。为节省计算整个大小为 W × H × D（W、H、D 分别表示宽度、高度和深度）图像的距离变换图的计算成本，具体步骤如下：
1. 将图像 I 下采样为原来的 1/4，得到 I′。
2. 对分割后的二值收缩图像 B′执行 3D 距离变换技术，获取具有最大值的点。
3. 以该点为中心生成大小为 cropx × cropy × D 的块作为初始块 bk0，该点即为源点 SP(bk0)，从这里开始第