【综述1】

透视图中的神经元路径

本文是一篇综述，在从显微镜图像提取神经元信息这个领域，本文做了相关调查以及各种不同方向的总结。包括：

1. 图像分割方法
2. 神经元形态的定量测量
3. 目前可用的软件工具与形态数据库

0. 介绍

理解大脑的工作原理无疑是当今科学最大的挑战之一。获得神经系统在分子，细胞和系统层面上，结构，功能，和发展的深刻理解，有着极其重要的作用。因为这些层面上的流程与高阶认知功能有复杂的联系，而且是治疗神经和精神疾病的药物和治疗方法的基础目标。由于在神经科学许多领域的研究对图像的依赖逐渐增加，大量从不同尺度观测获得的异构，复杂数据增多。整合和分析这些数据的高级生物图像信息学和神经信息学解决方案的需求正在迅速增长。

虽然几十年来，计算机图形学和处理能力已经有了很大进步，在神经科学方面的软件工具也有很多，但是处理能力还是不足，本文就是为有志于从事这方面软件开发的研究者们准备的，关于神经元结构分割的图像方法，定量测量这些结构的方法，可用的软件工具，能够促进神经结构变换的数据库。

1. 分割方法

如今神经元追踪的方法是首先获得整幅图片数据，这确保了原始样本的永久储存，并且允许使用更加多变，有力的数据处理方式。神经元数字重建中第一步也是最难的一步就是图像分割，通常包括四步：

1.1 图像预处理

可能面临噪声，低分辨率，染料颜色不均，背景颜色不均匀等问题

可以采取（非线性）光滑，逆卷积，黑点矫正，和形态滤波

对于同时要求高精度

1.2. 细胞体分割

细胞体包括了所有动物细胞都有的用来维持细胞功能的细胞器。

其中，细胞体表面积，树突总长度也是重要变量

作为树突/轴突树结构，它的分割也可以作为之后分割的起点，特别是多细胞分割

为了实现这一步，有DAPI，相差显微镜，边缘腐蚀法等许多神奇的方法

1.3. 树突轴突分割

分割神经树结构的方法主要分为“全局过程”和“局部探索”两种方法

1.3.1 大多数全局探索方法都包括：

二值化：产出一个最初的分割，通常使用阈值法，但是这种方法容易错。等高线分割也会用到。

骨架化：提取分割区域的中线，可以是直接从灰度图提取，但经常是有错的

矫正：骨架化得到的结果通常是错的，需要使用填充和修正的方法

图表示：最后一步是只保留关键节点（终点，分叉，末梢），建立图论表示

1.3.2 第二类树分割的方法，只在相关的结构附近局部地探索图片，而不是处理整张图片。这种算法特别适合“追踪”这种形容。通常有两个优点：图像质量要求没那么高，计算量较小。

基本思路：

基于当前点的信息，迭代地预测下一个点的位置，并通过拟合形状或轮廓的模型来更新这个估计。

1.4. 更小的突起分割spine

虽然大多学者还是对树突结构的分割更感兴趣，但也有不少人开始关注更小层面的上神经元图像的分析。

极小的突触（spine）可能是大脑实现其功能的重要组成部分。接近光学显微镜分辨率的极限，因此，逆卷积是比较常用的方法。之后还有连接和非连接两种方法。