一种基于自监督学习的神经元骨架感知形态表征学习方法技术

本发明专利技术提供了一种基于自监督学习的神经元骨架感知形态表征学习方法。该方法包括：利用骨架网格生成模块的形态表征编码器对待处理的神经元点云进行采样和特征提取，得到待处理的神经元点云的采样点和骨架感知形态表征；利用骨架网格生成模块的偏移量多层感知机处理骨架感知形态表征，得到偏移量预测值，利用骨架网格生成模块的半径多层感知机处理骨架感知形态表征，得到半径预测值；根据采样点的三维坐标信息、偏移量预测值和半径预测值生成骨架球；利用神经网络分类模型对骨架感知形态表征进行分类处理，得到待处理的神经元点云的类别信息；利用骨架网格生成模块的骨架图连接预测网络对骨架球进行连接预测，得到待处理的神经元的三维骨架网格。

【技术实现步骤摘要】

本专利技术涉及生物图像处理和分析、三维视觉以及几何分析，特别涉及一种基于自监督学习的神经元骨架感知形态表征学习方法、电子设备以及存储介质。

技术介绍

1、神经元形态分析在神经科学研究中具有广泛而重要的意义。神经元作为神经系统的基本单位，其形态特征直接关系到神经系统的结构、功能和疾病。通过对神经元形态观察，可以获得关于神经回路、神经可塑性、神经发育和神经退行性疾病等方面的关键信息，进而深入理解神经系统的机制和疾病的发生发展。此外，还可以了解神经系统如何形成和连接，以及不同发育阶段的神经元形态变化的关键时期和关键因素，这对于解析神经发育的基本原理、神经网络的形成和塑造具有重要意义。

2、然而现有技术中，关于神经元片段形态表征的相关研究或技术方案存在诸多技术问题。例如，用于识别神经元片段类别的形态表征的相关算法大部分还是基于手工特征的方法，费时费力，且不同类别神经元片段之间的形态差异常常体现在细微之处，手工特征难以捕获这些细粒度差异。此外，目前神经元片段的三维形态骨架提取大多基于传统的计算机图形学算法，需要昂贵的几何处理时间，一些基于深度学习的方法提本文档来自技高网...

【技术保护点】

1.一种基于自监督学习的神经元骨架感知形态表征学习方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，利用所述训练完成的骨架网格生成模块的骨架图连接预测网络对所述骨架球进行连接预测，得到所述待处理的神经元的三维骨架网格包括：

3.一种骨架网格生成模块和对比学习模块的训练方法，应用于权利要求1和2任一项所述的方法，其特征在于，包括：

4.根据权利要求3所述的方法，其特征在于，利用神经元点云样本对所述骨架网格生成模块进行训练，并利用预定义的点云到骨架的损失函数加权计算在所述骨架网格生成模块训练过程中的骨架网格生成损失值包括：

5...

【技术特征摘要】

1.一种基于自监督学习的神经元骨架感知形态表征学习方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，利用所述训练完成的骨架网格生成模块的骨架图连接预测网络对所述骨架球进行连接预测，得到所述待处理的神经元的三维骨架网格包括：

3.一种骨架网格生成模块和对比学习模块的训练方法，应用于权利要求1和2任一项所述的方法，其特征在于，包括：

4.根据权利要求3所述的方法，其特征在于，利用神经元点云样本对所述骨架网格生成模块进行训练，并利用预定义的点云到骨架的损失函数加权计算在所述骨架网格生成模块训练过程中的骨架网格生成损失值包括：

5.根据权利要求4所述的方法，其特征在于，获取所述神经元点云样本包括：

【专利技术属性】
技术研发人员：陈雪锦，朱戴义，
申请(专利权)人：合肥综合性国家科学中心人工智能研究院安徽省人工智能实验室，
类型：发明
国别省市：

全部详细技术资料下载 我是这个专利的主人