重建神经元质量检测方法、有序点云分类方法及装置制造方法及图纸

本申请涉及一种重建神经元质量检测方法、装置、计算机可读存储介质和计算机设备，所述方法包括：获取待检测重建神经元的节点数据；根据所述节点数据，提取所述待检测重建神经元中各节点对应的局部特征；将各所述节点的局部特征输入训练好的卷积神经网络，通过所述卷积神经网络的卷积块进行全局特征矩阵提取，获得所述待检测重建神经元的全局特征矩阵；所述卷积神经网络的全连接层基于所述待检测重建神经元的全局特征矩阵进行分类，获得分类结果；根据所述分类结果确定所述待检测重建神经元的质量检测结果。通过基于卷积神经网络全自动对重建神经元进行质量检测，无需人工进行判断，提高了重建神经元的质量检测效率。

Reconstruction of neuron quality detection method, ordered point cloud classification method and device

【技术实现步骤摘要】
重建神经元质量检测方法、有序点云分类方法及装置
本申请涉及计算机
，特别是涉及一种重建神经元质量检测方法、装置、计算机可读存储介质和计算机设备及有序点云分类方法、装置、计算机可读存储介质和计算机设备。
技术介绍
随着计算机技术的快速发展，脑科学大数据库是实现人工智能的重要部分，而神经元重建是建立脑科学大数据库的关键之一。而神经元重建是基于较高分辨率的大脑图像，重建后的神经元某一维长度可达数千像素，若用三维矩阵的方式存储，一个神经元会占用几G的空间，因此神经元均以三维点云的形式进行存储，如图1所示，其中第1到6列分别为节点序号，x轴坐标，y轴坐标，z轴坐标，父节点序号和节点灰度值。而神经元的节点个数可能多达上万个，如果要人工对神经元重建的质量进行判断需要花费大量的时间。目前检测重建神经元的质量，主要依赖于对神经元中各节点连续性的判断，然而神经元中各节点的连续性并不能完全代表神经元的重建质量，且连续的神经元节点也可能是标注错误，需要通过其他特征对重建质量进行判断，因此，重建神经元的质量检测效率低。<br>
技术实现思路
<本文档来自技高网...

【技术保护点】
1.一种重建神经元质量检测方法，包括：/n获取待检测重建神经元的节点数据；/n根据所述节点数据，提取所述待检测重建神经元中各节点对应的局部特征；/n将各所述节点的局部特征输入训练好的卷积神经网络，通过所述卷积神经网络的卷积块进行全局特征矩阵提取，获得所述待检测重建神经元的全局特征矩阵；/n所述卷积神经网络的全连接层基于所述待检测重建神经元的全局特征矩阵进行分类，获得分类结果；/n根据所述分类结果确定所述待检测重建神经元的质量检测结果。/n

【技术特征摘要】
1.一种重建神经元质量检测方法，包括：
获取待检测重建神经元的节点数据；
根据所述节点数据，提取所述待检测重建神经元中各节点对应的局部特征；
将各所述节点的局部特征输入训练好的卷积神经网络，通过所述卷积神经网络的卷积块进行全局特征矩阵提取，获得所述待检测重建神经元的全局特征矩阵；
所述卷积神经网络的全连接层基于所述待检测重建神经元的全局特征矩阵进行分类，获得分类结果；
根据所述分类结果确定所述待检测重建神经元的质量检测结果。


2.根据权利要求1所述的方法，其特征在于，根据所述节点数据，提取所述待检测重建神经元中各节点对应的局部特征，包括：
根据所述节点数据，确定各所述节点对应的邻域节点；
根据预设间隔，从各所述邻域节点中确定各所述节点对应特征节点；
根据节点的三维空间坐标和节点对应特征节点的三维空间坐标，确定各所述节点对应的结构特征；
根据节点与节点对应所述特征节点之间所有节点的灰度值，确定各所述节点对应的灰度特征；
将各所述节点对应的结构特征和灰度特征作为各所述节点对应的局部特征。


3.根据权利要求2所述的方法，其特征在于，根据节点的三维空间坐标和节点对应特征节点的三维空间坐标，确定各所述节点对应的结构特征，包括：
根据节点的三维空间坐标和所述节点对应特征节点的三维空间坐标，确定从所述节点到所述节点对应特征节点的拟合直线的长度；
根据节点的三维空间坐标和所述节点对应特征节点的三维空间坐标，对所述拟合直线与三维空间中各平面的夹角进行分析，获得各平面夹角的角度；
根据节点的三维空间坐标和所述节点对应特征节点的三维空间坐标，对所述拟合直线进行向量分析，获得所述拟合直线的向量；
将所述拟合直线的长度、各所述平面夹角的角度和所述拟合直线的向量作为各所述节点对应的结构特征。


4.根据权利要求2所述的方法，其特征在于，根据节点与节点对应所述特征节点之间所有节点的灰度值，确定各所述节点对应的灰度特征，包括：
获取节点与所述节点对应所述特征节点之间所有节点的灰度值；
对所有节点的灰度值进行均值分析，获得所有节点的灰度值的均值；
对所有节点的灰度值进行标准差分析，获得所有节点的灰度值的标准差；
将所述有节点的灰度值的均值和标准差作为所述节点的灰度特征。


5.根据权利要求1所述的方法，其特征在于，将各所述节点的局部特征输入训练好的卷积神经网络，通过所述卷积神经网络的卷积块进行全局特征矩阵提取，获得所述待检测重建神经元的全局特征矩阵，包括：
将各所述节点的局部特征输入训练好的卷积神经网络，通过所述卷积神经网络中由两个一维卷积层和一个最大池化层组成的各卷积块进行特征提取，获得所述待检测重建神经元的全局特征矩阵。


6.根据权利要求5所述的方法，其特征在于，将各所述节点的局部特征输入训练好的卷积神经网络，通过所述卷积神经网络中由两个一维卷积层和一个最大池化层组成的各卷积块进行特征提取，获得所述待检测重建神经元的全局特征矩阵，包括：
将各所述节点的局部特征输入训练好的卷积神经网络，通过所述卷积神经网络中前n个卷积块的两个一维卷积层和最大池化层进行提取特征，获得第一特征矩阵，其中，所述一维卷积层的第一层卷积核大小为1×m，第二层的卷积核大小为3×m，最大池化层的核大小为2×1，m为特征维数，n为卷积块个数；
将所述第一特征矩阵第n个卷积块的两个一维卷积层和最大池化层进行提取特征，所述待检测重建神经元的全局特征矩阵，其中，所述一维卷积层的第一层卷积核大小为1×m，第二层的卷积核大小为3×m，最大池化层的核大小，根据所述待检测重建神经元中节点数目确定，所述最大池化层的核大小为：

N为神经元节点的个数。


7.一种有序点云分类方法，包括：
获取待分类有序点云的节点数据；
根据所述节点数据，提取所述待分类有序点云中各节点对应的局部特征；
将各所述节点的局部特征输入训练好的卷积神经网络，通过所述卷积神经网络的卷积块进行全局特征矩阵提取，获得所述待分类有序点云的全局特征矩阵；
所述卷积神经网络的全连接层基于所述待分类有序点云的全局特征矩阵进行分类，获得分类结果。


8.根据权利要求7所述的方法，其特征在于，所述根据待分类有序点云中各节点的连接关系，提取各所述节点对应的局部特征，包括：
根据所述节点数据，确定各所述节点对应的邻域节点；
根据预设间隔，从各所述邻域节点中确定各所述节点对应特征节点；
根据节点的三维空间坐标和节点对应特征节点的...

【专利技术属性】
技术研发人员：卢东焕，马锴，郑冶枫，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：广东;44