一种基于荧光视频的神经元胞体自动识别系统技术方案

本发明专利技术公开一种基于荧光视频的神经元胞体自动识别系统，使用构造视频模块将荧光视频转换为高信噪比的构造视频，采用胞体识别分割模块识别并区分存在空间投影重叠的胞体区域，并为使用者提供友好方便的用户偏好设置，最终提供稳定准确的神经元胞体自动识别结果。

An automatic recognition system of neuron cell body based on fluorescence video

【技术实现步骤摘要】
一种基于荧光视频的神经元胞体自动识别系统
本专利技术涉及生物图像处理领域，具体涉及一种基于荧光视频的神经元胞体自动识别系统。
技术介绍
荧光成像是当前神经科学领域研究神经元群体动力学行为的主要手段之一。在使用荧光显微镜采集到神经元的荧光视频后，研究者们通过辨识神经元的胞体，提取胞体的信号曲线，进而对神经元的个体及群体动力学行为进行分析。然而，目前经典的神经元胞体自动识别系统仍容易受到荧光视频的信噪比、显微镜成像时的深度分辨率的影响，所得到的自动识别结果仍会出现较多的胞体漏识别、错识别情况，这往往需要研究者们对胞体自动识别结果进行较大量的手工校正，从而导致高额的人力成本和时间成本。近年来也有一些基于人工智能的神经元胞体自动识别系统，但是这些系统往往需要大量的人工标签才能得到较良好的胞体识别效果，同样存在高额的人力成本。除此之外，这些系统存在没有充分显式利用先验知识，自动识别方法在不同数据集上泛化性较差、缺乏可解释性等问题。
技术实现思路
为了有效解决荧光视频中胞体自动识别结果漏识别、错识别的问题，本专利技术公开一种基于荧光视频的神经元胞体自动识别系统，用于减少神经元胞体自动识别算法对荧光视频高信噪比的依赖，同时区分由于显微镜成像深度分辨率不足导致的具有空间投影重叠的胞体区域，尤其是为研究者提供了友好方便的用户偏好设置，提供了稳定准确的神经元胞体自动识别结果。本专利技术提供的技术方案如下：一种基于荧光视频的神经元胞体自动识别系统，由构造视频模块Z1、胞体识别分割模块Z2和用户偏好设置模块Z3组成。为了减少神经元胞体识别算法对输入的荧光视频的高信噪比依赖，提高神经元胞体自动识别系统的泛化能力，本专利技术提供了构造视频模块Z1，构造视频模块Z1的输入是荧光视频V0[X，Y，T0]，输出为视频重构后的构造视频V[X，Y，T]，其中，视频重构由视频随机打乱模块Z11、信号非线性归一化放大器Z12和特征整合模块Z13组成，且符号V[X，Y，T]表示为视频V的宽度、高度和时间长度分别为X，Y和T，下述的表示均相同。Z1的具体步骤如下：(1)、视频随机打乱模块Z11将双光子荧光视频V0[X，Y，T0]在时间方向随机打乱K次，作为优选的，随机打乱算法采用的是不重复的重排采样，进而生成随机打乱荧光视频并输出到信号非线性归一化放大器Z12，由于神经元胞体区域的活动信号在随机打乱前后的变化大于背景噪声区域活动信号随机打乱前后的变化，因此通过对荧光视频进行随机打乱能更容易将胞体区域和背景噪声区域区分开。(2)、信号非线性归一化放大器Z12首先对荧光视频V0[X，Y，T0]进行处理：为了不遗漏不同时间段内的胞体信号变化，Z12根据视频时长自适应得到滑窗长度w和步长s，并将V0[X，Y，T0]划分成视频序列V0，P{V0，p[X，Y，w]，p＝1，...，T}，其中T＝(T0-w)/s+1，V0，p[X，Y，w]为视频序列V0，P的第p个视频，且作为优选的，滑窗长度w大于等于步长s且满足(T0-w)/s+1为正整数。随后Z12将视频序列中每个视频V0，p[X，Y，w]转化为信号非线性归一化放大视频作为优选的，转化公式为其中，I0，p为V0，p的归一化特征图，优选的，归一化特征图设定为V0，p[X，Y，w]沿时间方向的最大值特征图；a为非线性放大指数，优选的，a为大于1的正整数，得到非线性归一化放大视频序列相似的，为了突出胞体区域和背景噪声区域的差异，Z12也对随机打乱的荧光视频进行处理：根据自适应的滑窗长度w和步长s，将Vr[X，Y，T0]划分成视频序列Vr，P{Vr，p[X，Y，w]，p＝1，...，T}，其中T＝(T0-w)/s+1，作为优选的，滑窗长度w大于等于步长s且满足(T0-w)/s+1为正整数。随后将视频序列中每个视频Vr，p[X，Y，w]转化为信号非线性归一化放大视频作为优选的，转化公式为其中Ir，p为Vr，p的归一化特征图，优选的，归一化特征图为Vr，p[X，Y，w]沿时间方向的最大值特征图；a为非线性放大指数，优选的，a为大于1的正整数，并和对V0[X，Y，T0]进行处理的a值相同，得到非线性归一化放大视频序列最后，将均输出到特征整合模块Z13。信号非线性归一化放大器Z12将胞体活跃的信号活动变化现象和胞体的基线信号活动变化的幅值差进行非线性放大，并通过归一化的处理进一步拉大了胞体区域信号强度与背景噪声区域的基线值差异。(3)、特征整合模块Z13首先视频序列中每一个视频进行降维计算得到特征图，作为优选的，降维计算特征图的方式为计算视频沿时间方向的局部相关特征图，进而依次得到特征图序列相似地，Z13随后对视频序列中每一个视频进行降维计算得到特征图，进而依次得到特征图序列最后Z13对和进行特征加权整合，作为优选的，特征加权整合方式为取两个视频相同帧的最大值特征图，从而得到构造视频V[X，Y，T]并输出到胞体识别分割模块Z2；通过将荧光视频、随机打乱视频分别得到的两个构造特征图序列加权特征整合成一个构造视频，得到整体信噪比很高、胞体区域和背景噪声区域具有很高对比度的视频，降低荧光视频的低信噪比区域对胞体自动识别算法的影响，有助于减少神经元胞体自动识别算法错识别、漏识别的数量。为了有效区分荧光视频中具有空间投影重叠的胞体区域，并准确地获得神经元胞体的轮廓边界，本专利技术提供了胞体识别分割模块Z2，Z2通过三维管状滤波模块Z21和连通域典型截面提取模块Z22，将构造视频V[X，Y，T]转化为疑似神经元胞体区域集合M{mi[X，Y]，i＝1，...，n}，具体步骤如下：(1)三维管状滤波模块Z21对构造视频V[X，Y，T]进行三维管状滤波，作为优选的，将三维的FastFlux管状滤波算法作用于V[X，Y，T]，得到滤波视频VL[X，Y，T]并输出到连通域典型界面提取模块Z22，三维管状滤波模块能够有效分离三维中存在黏连的管状结构，并去除构造视频中的孤立噪声，为下一步连通域典型截面提取模块Z22提供更高信噪比的具有若干管状结构的滤波视频。(2)连通域典型截面提取模块Z22将VL[X，Y，T]进行自适应二值化处理和三维分水岭处理，作为优选的，阈值化方法采用Otsu二值化算法，三维分水岭处理中计算距离变换时采用“cityblock”形状作为距离变换边界，得到三维连通域集合L{li，i＝1，...，n}，并对集合L中每一个连通域li进行距离变换，优选的，采用“euclidean”形状作为距离变换边界，并选择距离变换最大值所在截面作为连通域的典型截面，得到疑似神经元胞体区域集合M{mi[X，Y]，i＝1，...，n}并输出到用户偏好设置模块Z3，其有益效果是能够区分在空间投影重叠的胞体区域，并且得到胞体的完整轮廓边界。为了满足不同使用者对于神经元胞体的个性化筛选要求，本专利技术在神经元自动识别系统中加入了可自动获得或手动选择权重系数的用户偏好设置模块Z3。用户偏好设置模块Z3首先对全部的疑似胞体区域计算灵敏度指标P1{p1i，i＝1，...，n}、特异度指标P2{p2i，i＝1，...，n}和可信度指标P3本文档来自技高网...

【技术保护点】
1.一种基于荧光视频的神经元胞体自动识别系统，其特征在于该系统由构造视频模块Z

【技术特征摘要】
1.一种基于荧光视频的神经元胞体自动识别系统，其特征在于该系统由构造视频模块Z1、胞体识别分割模块Z2和用户偏好设置模块Z3组成，其中：
构造视频模块Z1将输入的荧光视频V0[X，Y，T0]重构为构造视频V[X，Y，T]，并输出到胞体识别分割模块Z2，其中X、Y、T0分别为荧光视频V0[X，Y，T0]的宽度、高度和视频时长，X、Y、T分别为构造视频V[X，Y，T]的宽度、高度和视频时长；
胞体识别分割模块Z2从构造视频V[X，Y，T]中识别分割得到疑似神经元胞体区域集合M{mi[X，Y]，i＝1，...，n}，并将M输出到用户偏好设置模块Z3，其中mi[X，Y]为第i个疑似神经元胞体区域，X和Y分别为每一个疑似神经元胞体区域的宽度和高度，n为疑似神经元胞体区域集合中的识别结果数量；
用户偏好设置模块Z3根据用户设定的灵敏度权重w1、特异度权重w2和可信度权重w3，将疑似神经元胞体区域集合M{mi[X，Y]，i＝1，...，n}按照加权判定方法输出神经元胞体识别结果集合其中为第j个神经元胞体识别结果，X和Y分别为每一个神经元胞体识别结果的图像宽度和高度，n*为神经元胞体识别结果集合中识别结果的数量。


2.如权利要求1所述的一种基于荧光视频的神经元胞体自动识别系统，其特征在于构造视频模块Z1由视频随机打乱模块Z11、信号非线性归一化放大器Z12和特征整合模块Z13组成，其中：
视频随机打乱模块Z11将荧光视频V0[X，Y，T0]在时间方向上随机打乱K次，生成随机打乱的荧光视频并输出到信号非线性归一化放大器Z12；
信号非线性归一化放大器Z12根据自适应的滑窗长度w和步长s，将V0[X，Y，T0]划分成视频序列V0，P{V0，p[X，Y，w]，p＝1，...，T}，其中V0，p为视频序列V0，P的第p个视频、T＝(T0-w)/s+1，随后将每一个视频V0，p转化为信号非线性归一化放大视频得到非线性归一化放大视频序列并输出到传递到特征整合模块Z13，同时Z12根据自适应的滑窗长度w和步长s，将划分成视频序列Vr，P{Vr，p[X，Y，w]，p＝1，...，T}，并将每一个视频Vr，p转化为信号非线性归一化放大视频得到非...

【专利技术属性】
技术研发人员：吴钧杰，王汉斌，
申请(专利权)人：南京景瑞康分子医药科技有限公司，
类型：发明
国别省市：江苏;32