37、脑组织结构分类与3D荧光显微镜图像模拟技术

脑组织结构分类与3D荧光显微镜图像模拟技术

脑组织结构分类

在基于感兴趣区域（ROI）的体积测量中，组织类型分类方法可能发挥重要作用，因为它们可应用于基于图谱的分割流程。分类器可以通过配准对预标记图谱进行变形，从而优化先前找到的选定解剖结构的形状。

这里测试了使用简单的k - 最近邻（k - NN）方法，并通过无监督训练进行改进的脑组织结构分类效率。尽管在基于图谱的分割中使用了高维可变形配准方法，但真实分割与通过变形预标记图谱获得的分割之间的重叠并不完美。基于强度的分类提供的额外信息可能有助于改善结果。简单的k - NN分类器适用于单模态和多模态图像数据，这里使用了模拟脑数据库的图像数据。通过可用的组织概率图，在无需用户干预的情况下收集了一组原型。

这种自动训练分类器的方法与其他方法类似，但主要区别在于修剪原型样本集的策略。其他方法在获取训练集后进行修剪，而这里在训练阶段之前修改用于获取训练集的先验信息。结果表明，图谱与分类图像之间的匹配对分类器效率有显著影响，这促使在基于强度的分类之前应用可变形配准，以减少个体间的解剖学差异，而不是使用仿射变换配准。

3D荧光显微镜图像模拟

在处理生物医学图像数据时，图像分割和结果验证是关键任务。手动分割虽然易于管理且结果最佳，但用户交互量大、耗时且结果不可重复。过去设计了许多半自动方法，但缺乏对结果的适当评估，通常依靠专家的视觉检查代替真实图像。

一些作者开始使用合成图像，这些图像通常包含简单的几何形状，如2D的圆形和椭圆形，3D的球形和椭球形，便于检查分割方法的质量。此前，一些方法部分解决了合成对象生成的问题，如验证区域生长分割算法、生成FISH斑点模拟工具盒等，但存在一定局限