【綜述1】

透視圖中的神經元路徑

本文是一篇綜述，在從顯微鏡圖像提取神經元資訊這個領域，本文做了相關調查以及各種不同方向的總結。包括：

1. 圖像分割方法
2. 神經元形态的定量測量
3. 目前可用的軟體工具與形态資料庫

0. 介紹

了解大腦的工作原理無疑是當今科學最大的挑戰之一。獲得神經系統在分子，細胞和系統層面上，結構，功能，和發展的深刻了解，有着極其重要的作用。因為這些層面上的流程與高階認知功能有複雜的聯系，而且是治療神經和精神疾病的藥物和治療方法的基礎目标。由于在神經科學許多領域的研究對圖像的依賴逐漸增加，大量從不同尺度觀測獲得的異構，複雜資料增多。整合和分析這些資料的進階生物圖像資訊學和神經資訊學解決方案的需求正在迅速增長。

雖然幾十年來，計算機圖形學和處理能力已經有了很大進步，在神經科學方面的軟體工具也有很多，但是處理能力還是不足，本文就是為有志于從事這方面軟體開發的研究者們準備的，關于神經元結構分割的圖像方法，定量測量這些結構的方法，可用的軟體工具，能夠促進神經結構變換的資料庫。

1. 分割方法

如今神經元追蹤的方法是首先獲得整幅圖檔資料，這確定了原始樣本的永久儲存，并且允許使用更加多變，有力的資料處理方式。神經元數字重建中第一步也是最難的一步就是圖像分割，通常包括四步：

1.1 圖像預處理

可能面臨噪聲，低分辨率，染料顔色不均，背景顔色不均勻等問題

可以采取（非線性）光滑，逆卷積，黑點矯正，和形态濾波

對于同時要求高精度

1.2. 細胞體分割

細胞體包括了所有動物細胞都有的用來維持細胞功能的細胞器。

其中，細胞體表面積，樹突總長度也是重要變量

作為樹突/軸突樹結構，它的分割也可以作為之後分割的起點，特别是多細胞分割

為了實作這一步，有DAPI，相差顯微鏡，邊緣腐蝕法等許多神奇的方法

1.3. 樹突軸突分割

分割神經樹結構的方法主要分為“全局過程”和“局部探索”兩種方法

1.3.1 大多數全局探索方法都包括：

二值化：産出一個最初的分割，通常使用門檻值法，但是這種方法容易錯。等高線分割也會用到。

骨架化：提取分割區域的中線，可以是直接從灰階圖提取，但經常是有錯的

矯正：骨架化得到的結果通常是錯的，需要使用填充和修正的方法

圖表示：最後一步是隻保留關鍵節點（終點，分叉，末梢），建立圖論表示

1.3.2 第二類樹分割的方法，隻在相關的結構附近局部地探索圖檔，而不是處理整張圖檔。這種算法特别适合“追蹤”這種形容。通常有兩個優點：圖像品質要求沒那麼高，計算量較小。

基本思路：

基于目前點的資訊，疊代地預測下一個點的位置，并通過拟合形狀或輪廓的模型來更新這個估計。

1.4. 更小的突起分割spine

雖然大多學者還是對樹突結構的分割更感興趣，但也有不少人開始關注更小層面的上神經元圖像的分析。

極小的突觸（spine）可能是大腦實作其功能的重要組成部分。接近光學顯微鏡分辨率的極限，是以，逆卷積是比較常用的方法。之後還有連接配接和非連接配接兩種方法。