基于双光子图像的突触检测方法技术

本发明专利技术公开了一种基于双光子图像的突触检测方法，其涉及模式识别和神经学技术领域。其中，该方法包括获取所述双光子图像；将所述双光子图像分为轴突图像和树突图像；在所述轴突图像中进行轴突小结的2D检测；在所述树突图像中进行树突棘的2D检测；用检测到的轴突小结和树突棘进行2D突触检测；基于2D突触检测结果，进行3D突触检测。通过本发明专利技术，提高了检测突触的效率和精度，还具有普适性，且对图像类型不敏感。

Synapse detection method based on two photon image

The invention discloses a synapse detection method based on a two photon image. Among them, the method includes obtaining the two-photon image; the two-photon image into axons and dendritic image image; 2D were detected in the axon axon nodules in the image; 2D were detected in the dendritic spines in the image; using the detected nodules and axon dendritic spines 2D synapses based on the results of 2D detection; detection of 3D synapses, synaptic detection. The invention improves the efficiency and precision of detecting the synapse, and has universality and is not sensitive to the image type.

【技术实现步骤摘要】

本专利技术涉及模式识别和神经学
，尤其是涉及一种基于双光子图像的突触检测方法。
技术介绍
大量研究表明，神经元的突触可塑性包括功能可塑性和结构可塑性，与学习和记忆密切相关。突触可塑性调节异常常常被认为是认知、学习和记忆功能障碍的主要原因。许多精神和认知障碍发病机制与突触可塑性调节的异常密切相关,对突触可塑性调节的研究有利于揭示智力发育迟滞、认知功能障碍这类神经精神疾病的病理机制。近年来，利用正置双光子显微镜系统和荧光探针标记技术方法一直都是研究的热点。现有检测突触方法，就是神经学家通过肉眼一个一个的寻找突触。该方法耗费大量人工时间，而且精度不高，易出现遗漏的情况。有鉴于此，特提出本专利技术。以下为与本专利技术相关的现有技术：[1]N.Dey,L.Blanc-Feraud,C.Zimmer,“Richardson–Lucyalgorithmwithtotalvariationregularizationfor3Dconfocalmicroscopedeconvolution,”Microscopyresearchandtechnique,vol.69,no.4,pp.260-266,2006.[2]J.E.Ledoux,“Emotioncircuitsinthebrain,”AnnualReviewofNeuroscience,vol.23,no.2,pp.155-184,2000.[3]V.D.Paola,A.Holtmaat,G.Knott,etal.,“CellType-SpecificStructuralPlasticityofAxonalBranchesandBoutonsintheAdultNeocortex,”Neuron,vol.49,no.6,pp.861-875,2006.[4]N.Becker,C.J.Wierenga,R.Fonseca,etal.,“LTDinductioncausesmorphologicalchangesofpresynapticboutonsandreducestheircontactswithspines,”Neuron,vol.60,no.4,pp.590-597,2008.[5]F.Jing,X.Zhou,J.G.Dy,etal.,“AnAutomatedPipelineforDendriteSpineDetectionandTrackingof3DOpticalMicroscopyNeuronImagesofInVivoMouseModels,”Neuroinformatics,vol.7,no.2,pp.113-130,2009.[6]H.ParkandM.M.Poo,“Neurotrophinregulationofneuralcircuitdevelopmentandfunction,”NatureReviewsNeuroscience,vol.14,no.1,pp.7-23,2013.[7]F.W.Grillo,S.Song,L.M.Teles-Grilo,etal.,“Increasedaxonalboutondynamicsintheagingmousecortex,”ProceedingsoftheNationalAcademyofSciencesoftheUnitedStatesofAmerica,vol.110，no.16,pp.1514-1523,2013.[8]Y.Yang,D.Q.Liu,W.Huang,etal.,“Selectivesynapticremodelingofamygdalocorticalconnectionsassociatedwithfearmemory,”Neuroscience,tobepublished.
技术实现思路
本专利技术实施例提供一种基于双光子图像的突触检测方法，以解决如何提高检测突触的效率和精度的问题。为了实现上述目的，提供以下技术方案：一种基于双光子图像的突触检测方法，所述方法包括：获取所述双光子图像；将所述双光子图像分为轴突图像和树突图像；在所述轴突图像中进行轴突小结的2D检测；在所述树突图像中进行树突棘的2D检测；用检测到的轴突小结和树突棘进行2D突触检测；基于2D突触检测结果，进行3D突触检测。进一步地，所述在所述轴突图像中进行轴突小结的2D检测，具体包括：对所述轴突图像进行迭代的3D反卷积处理，得到反卷积图像；确定所述反卷积图像中的局部极大值点；基于所述轴突图像，确定增强图像；对所述增强图像进行二值分割处理；基于所述局部极大值点以及二值分割处理结果，去除所述二值分割处理结果中不包括所述局部极大值点的区域。进一步地，所述确定所述反卷积图像中的局部极大值点具体包括：设定第一阈值；找出所述反卷积图像中像素值大于第一阈值的疑似局部极大值的点；判断所述各疑似局部极大值的点是否满足在一预定邻域内的所述像素值是最大的，如果是，则确定所述疑似局部极大值的点为所述局部极大值点。进一步地，所述基于所述轴突图像，确定增强图像具体包括：以二维xy坐标系为基准，基于所述轴突图像，根据以下公式确定所述增强图像：g=-(fxx×F121+F12-2fxy×F11+F12+fyy1+F12)]]>F1=2fxyfxx-fyy+sgn(fxx+fyy)(fxx-fyy)2+4fxy2]]>其中，所述g表示所述增强图像；所述fx表示所述轴突图像在x方向上的偏导；所述fy表示所述轴突图像在y方向上的偏导；所述fxx表示所述fx在所述x方向上的偏导；所述fxy表示所述fx在所述y方向上的偏导；所述fyy表示所述fy在所述y方向上的偏导。进一步地，所述方法包括：所述在所述树突图像中进行树突棘的2D检测具体包括：对所述树突图像进行归一化和结构增强处理；骨架化结构增强处理结果中的树突，得到树突骨架二值图；基于所述树突骨架二值图，确定树突骨架上的分叉点；基于所述树突骨架二值图，并根据所述分叉点，定位所述树突棘。进一步地，所述对所述树突图像进行归一化和结构增强处理具体包括：将所述树突图像归一化到0和1之间；根据以下公式，设定树突棘界面模型：F(x,y)=exp(-(xsinθ+ycosθ)22σ2)]]>其中，所述θ表示所述树突棘的角度；所述σ表示所述树突棘的宽度；所述F(x,y)表示所述树突棘界面模型；所述x、所述y分别表示归一化后的图像中像素点的横、纵坐标；按照以下模型增强归一化后图像的线结构：λ(x,y)=-1σ2exp(-(xsinθ+ycosθ)22σ2).]]>进一步地，所述骨架化结构增强处理结果中的树突，得到树突骨架二值图具体包括：对结构增强处理结果进行阈值分割，得到树突二值图像；遍历所述树突二值图像，根据以下条件删除像素点，直至所述树突二值图像不再变化为止，得到第一二值图像：XH(p)＝1；2≤min{n1(p),n2(p)本文档来自技高网...

【技术保护点】
一种基于双光子图像的突触检测方法，其特征在于，所述方法包括：获取所述双光子图像；将所述双光子图像分为轴突图像和树突图像；在所述轴突图像中进行轴突小结的2D检测；在所述树突图像中进行树突棘的2D检测；用检测到的轴突小结和树突棘进行2D突触检测；基于2D突触检测结果，进行3D突触检测。

【技术特征摘要】
1.一种基于双光子图像的突触检测方法，其特征在于，所述方法包括：获取所述双光子图像；将所述双光子图像分为轴突图像和树突图像；在所述轴突图像中进行轴突小结的2D检测；在所述树突图像中进行树突棘的2D检测；用检测到的轴突小结和树突棘进行2D突触检测；基于2D突触检测结果，进行3D突触检测。2.根据权利要求1所述的方法，其特征在于，所述在所述轴突图像中进行轴突小结的2D检测，具体包括：对所述轴突图像进行迭代的3D反卷积处理，得到反卷积图像；确定所述反卷积图像中的局部极大值点；基于所述轴突图像，确定增强图像；对所述增强图像进行二值分割处理；基于所述局部极大值点以及二值分割处理结果，去除所述二值分割处理结果中不包括所述局部极大值点的区域。3.根据权利要求2所述的方法，其特征在于，所述确定所述反卷积图像中的局部极大值点具体包括：设定第一阈值；找出所述反卷积图像中像素值大于第一阈值的疑似局部极大值的点；判断所述各疑似局部极大值的点是否满足在一预定邻域内的所述像素值是最大的，如果是，则确定所述疑似局部极大值的点为所述局部极大值点。4.根据权利要求2所述的方法，其特征在于，所述基于所述轴突图像，确定增强图像具体包括：以二维xy坐标系为基准，基于所述轴突图像，根据以下公式确定所述增强图像：g=-(fxx×F121+F12-2fxy×F11+F12+fyy1+F12)]]>F1=2fxyfxx-fyy+sgn(fxx+fyy)(fxx-fyy)2+4fxy2]]>其中，所述g表示所述增强图像；所述fx表示所述轴突图像在x方向上的偏导；所述fy表示...

【专利技术属性】
技术研发人员：谢启伟，韩华，沈丽君，陈曦，李国庆，
申请(专利权)人：中国科学院自动化研究所，
类型：发明
国别省市：北京;11