基于点云几何拓扑学习的神经元三维重建

5787××点神经元：基于点云几何拓扑学习的三维神经元重建悉尼大学rzha9419@uni.sydney.edu.au澳大利亚悉尼hwan9147@uni.sydney.edu.au悉尼大学tom. sydney.edu.au张超毅悉尼大学czha5168@uni.sydney.edu.au摘要神经元三维显微图像数字化重建是研究脑神经元形态学和神经元连接的重要手段。在应用跟踪算法之前，现有的重建框架使用基于卷积的分割网络将神经元从噪声背景中分割出来。跟踪结果对原始图像质量和分割精度敏感。在本文中，我们提出了一个新的框架三维神经元重建。我们的核心思想是利用点云的几何表示能力来更好地探索神经元的内在结构信息。我们提出的框架采用一个图卷积网络来预测神经骨架点，另一个用于产生这些点的连接性。我们最终通过对预测点坐标、半径和连接的解释生成目标SWC文件。在BigNeuron项目的Janelia-Fly数据集上进行评估，我们表明我们的框架实现了有竞争力的神经元重建性能。我们对点云的几何和拓扑学习可以进一步有益于3D医学图像分析，例如心脏表面重建。我们的代码可从https：//github.com/RunkaiZhao/PointNeuron网站。1. 介绍神经元形态学在脑功能分析中起着至关重要的作用 。 数 字 化 三 维 神 经 元 重 建 （ Digital 3D NeuronRebraction，3D Neuron Tracing）是一种计算机辅助的方法，用于从体积显微镜图像中提取神经元电路的解剖结构和连通性。在过去的几十年中，神经元形态模型的获取依赖于神经元的手动注释图1：我们通过使用点云重新思考神经元的结构表示。左：逐体素神经元显微镜图像;右：在for-mat变换之后的逐点神经元。由于光学显微镜成像的限制，沿着神经元树状乔木存在间隙（红色箭头），并且神经元结构被背景噪声包围注意，基于体素的表示在三维中固有地密集，而我们的基于点的表示在存储器中更有效（例如，200 100 150体素对4500点）。浪漫主义者由于神经元形态的多样性和复杂性，人工标注工作极其耗时耗力。人工注释被记录为SWC文件，用于数字存储神经元形态，其使用一组连接点来构成分层神经元树。它包括每个神经元节点的标识，例如ID、类型、位置、半径和5788变换将骨架化重建原始体积图像神经元点云神经元骨架单神经元重建结果图2：我们提出的方法PointNeuron的主要程序，用于从体积显微镜图像中重建神经元绿色和红色方框突出了我们重建改进的部分。最近，许多研究人员已经投入更多的注意力来以自动或半自动的方式完成神经元重建。BigNeuron挑战[34]和DIADEM挑战赛[6]已经被主办，通过为神经科学研究提供大小可变的单神经元形态数据库和开源软件工具来开发自动跟踪算法。早期的数字神经元重建算法依赖于复杂的数学模型，可以分为全局和局部算法。全局方法，如开放曲线蛇[48]，APP [35]，APP 2 [51]，FMST [52]和其他[24，33，40，17，38，45]，该方法包括对原始图像进行去噪的预处理、初始化树状结构和细化重建轨迹的后处理等多个阶段。局部方法[55，3，12]是通过手动干预或自动检测从种子点位置追踪神经元树。然而，从显微镜图像重建神经元形态仍然容易出错，特别是当给定低质量神经元图像数据时。由于非均匀荧光照明和固有的光显微镜成像限制，原始神经元图像堆栈经常被大量背景噪声污染。此外，树突和分支末端的体素强度远低于胞体和轴突区域的体素强度，导致神经元分支不连续，影响了对神经元电路完整连接的预测。这两个挑战在图1的两个神经元示例中突出显示。最后，由于BigNeuron数据集中的3D神经元图像是从世界各地的研究实验室获得的，并且光学显微镜测量是不同的，因此所展示的神经元形态是多样和复杂的。各种深度学习技术已成功应用于医学图像处理[37，32，15，14，21]，这激发了研究人员利用基于卷积的模型的分层特征学习能力来解决具有挑战性的神经元重建问题[26，42]。为了从更大的感受野中识别神经元结构，最近的工作集中于将全局上下文特征引入到基于卷积的分割工作中，例如初始学习模块[26]、多尺度核融合[46]、Atrous空间金字塔池化（ASPP）[25]和图形推理模块[43]。在本文中，我们重新思考神经元形态的空间表示。与传统的3D体积表示不同，我们建议显式地利用稀疏组织的点云来表示神经元的树状结构和树突。如图1所示，我们将原始3D神经元图像的体素转换为点，然后重新制定此重建任务以预测笛卡尔坐标系中点的几何和拓扑属性。我们设计了一个新的框架，命名为PointNeuron，从这些点云数据中提取神经元结构。具体来说，我们的框架包括两个主要阶段。 第一阶段是提取一个简洁的神经元骨架从嘈杂的输入点和制定的几何特征。在第二阶段预测无序点之间的连通性。我们的方法的一般思想如图2所示。我们的主要贡献概述如下：1）为了更好地理解3D空间中的空间信息，我们建议用点格式来描述神经元电路，而不是原始的体 积 图 像 堆 栈 ; 2 ） 提 出 了 一 种 新 的 流 水 线 算 法PointNeuron，通过学习点云的特征来实现神经元的自动三维重构，并将其推广到改进重构算法5789我我 我 i=1所有跟踪算法的性能; 3）提出了基于点的模型，有效地捕获了用于生成紧凑神经元重构的几何信息。2. 相关作品传统的神经元重建算法包括三个主要步骤：预处理原始3D显微图像堆栈，初始化树状神经元图形映射，然后修剪重建映射，直到获得紧凑的结果。 [35]第35话：我的心原始图像上的所有潜在神经元信号输入用于初始重建图，并在修剪步骤中去除多余的神经元分支以获得紧凑的结构。与APP家族一样，FMST [52]应用具有边缘权重的快速行军算法来初始化神经元迹线，并基于两个相交神经元节点的覆盖率对其进行修剪。NeuTube [16]实现了自由编辑功能和来自种子源点的多分支跟踪算法。相反，Rivulet [54]和Rivulet2 [29]捕 获 从 最 远 分 支 终 端 到 种 子 点 的 神 经 元 轨 迹 。LCMBoost [20]和SmartTracing [8]将基于深度学习的模块整合到自动跟踪算法中，无需人工干预。随着3D U-Net [13]的出现在医学图像分割任务中显示出巨大的成功，在应用跟踪算法之前基于学习的分割能够突出神经元信号并提高输入神经元图像质量。应用一些先进的深度学习技术[43将图推理模块引入多尺度编码器-解码器网络，消除图像特征学习的语义鸿沟。为了节省计算和更快的推理，[47]提出了一种由更复杂的教师模型通过知识精馏 为了处理小尺寸神经元数据集，[44][11]、体积分割[23，2]和血管中心线提取[22]。例如，[23，22，2]使用点云的特征化来学习全局上下文特征，以增强基于CNN的图像分割性能。此外，[1]和[4]以点云表示的形式考虑了流线和网格结构的解剖特性。将点云概念引入医学图像分析领域的巨大成功以及现有跟踪方法没有考虑点云的使用的事实鼓励我们从新的角度来解决具有挑战性的神经元重建任务我们的目标是提高3D神经元重建的性能，通过强大的几何和拓扑表示点云。因此，我们将最具挑战性的医学图像任务之一转移到点云的范围。3. 方法我们提出了一种新的管道，PointNeuron，进行基于点的方式的三维神经元形态重建。给定逐体素神经元图像输入，我们在第3.1节中初始地将其转换为点云。然后，我们将神经元点云转发到Skeleton Predication模块中，以生成第3.2节中的一系列神经元骨架点在此基础上，通过分析3.3节中图数据结构的节点关系，最后，我们在第3.4节中介绍了具体的训练损失我们的流水线如图3所示。3.1. 体素到点转换给定大小为RH×W ×D的原始体积神经元图像，预先定义阈值θ以分割神经元结构并去除大部分噪声。具有大于θ的强度的每个体素被定位并变换为一个点。为了处理大量的点，我们将所有的神经元点分成K块。因此，神经元点-Npput可以表示为P=K×{p：[x;I]}哪里通过VCV-RL模块将相同语义的体内和体间体素提取到潜在空间中，提高了神经元图像分割性能[39]构建了一个基于GAN的框架，从手动注释的骨架中合成神经元训练图像。随着深度学习技术在医学图像分析中的应用，研究人员对应用深度学习技术分析3D医学图像产生了浓厚的兴趣。虽然现有的工作是在体素方面处理医学图像他们利用3D点云表示来学习不同医学图像任务[53]（例如心脏网格重建）的更多区分对象特征Np是每个面片的点数，具有笛卡尔坐标，纵坐标xi∈R3和强度Ii∈R。3.2. 神经元骨架预测在该模块中，我们从神经元点云输入中提取Ns个骨架点，以构成具有逐点F维几何特征的神经元模型。有三个主要步骤：通过基于图的编码器学习神经元点的深层几何特征，在局部区域生成中心建议，并产生紧凑的神经元骨架。点云几何学习。由于表示神经元结构的点云在坐标空间中是不均匀和无序的，因此它们不能被简单地处理。5790M∈PJ∈∈△∈图3：我们提出的管道PointNeuron的概述。神经元体素最初被变换为点云。然后应用DGCNN编码器[49]来学习神经元点上的深度几何特征。这些特征经由提议生成步骤来处理，以预测具有欧几里得坐标偏移、对象性得分和半径的中心提议为了获得一个紧凑的神经元骨架，我们应用聚合和3D NMS下采样来选择神经元骨架点。依次地，我们连接这些神经元骨架点以产生神经元连接。给定初始邻接矩阵和几何骨架特征，我们应用图自动编码器计算点之间的相关性并重建邻接矩阵。在去除杂散（由A和B点标记）和桥接间隙（由C和D点标记）的细化过程之后，最终的神经元重建结果被记录在SWC文件中。骨架损失和相似性损失分别监督骨架和连接预测的训练过程。规则的网格卷积核，如典型的像素或体素图像。因此，我们采用DGCNN [49]作为编码器来学习神经元点云的空间特征。该架构中的EdgeConv模块用于编码局部逐点语义特征，将神经元点与其k-最近邻点连接起来，然后计算并融合边缘特征保持不变。提案生成。我们观察到，地面实况SWC文件使用一组关键点来将单个神经元表示为分层树状模型，其构成神经元骨架，而每个关键点可以被认为是其在局部区域的邻近神经元点的中心。关键SWC文件的点表示为C={cj：[yj;rc]}Nc推理 这种本地聚合可能有益于哪里j j=1将拓扑信息补充到神经元点。此外，DGCNN可以产生分层几何特征，并结合多尺度上下文信息，因为节点关系在每层之后动态刷新。DGCNN编码器，堆叠具有残余连接的多个EdgeConv块，获取输入点，并输出几何特征RK×Np×（F+3），其中F是特征维度。点的笛卡尔坐标为Nc是坐标为yj的SWC关键点的数量R3和半径RcR. 受此启发，我们通过坐标偏移将神经元点移动到最近的局部中心DiR3，其在图4中示意性地示出。预期神经元点被推到接近局部区域的中心，并且稀疏神经元点云变得更加集中，如图所示5. 因此，我们将这些移动的神经元点视为中心提议Q。在我们的实现中，学习者骨架预测模块几何学习提案生成骨骼点选择DGCNN编码器几何特征共享MLP连通性预测模块半径图初始化初始邻接图自动矩阵编码器（GAE重构邻接矩阵SWC文件生成骨架损失DDCGAE细化CB一B一相似性损失A BCDABCD邻接矩阵变化坐标偏移客观性评分原始体积图像重构单神经元神经元骨架中心提案面片中的神经元点云SWC文件转型聚合三维球形NMS下采样5791我∈△∈∈SE∈我V EVi=1神经元SWC中心，神经元点建议，偏移方向，图4：周围的点正在向SWC文件中由预测偏移定义的神经元中心移动。通过基于距离的损耗来监督偏移。将输入点的几何特征转发到共享多层感知器（MLP）的 建 议 模 块 MLP 由 全 连 接 层 、 批 处 理 归 一 化 和LeakyReLU组成。提案模块预测(a)（b）第（1）款图5：小神经元分支的神经元骨架预测过程的可视化：（a）原始神经元点（蓝色）被自适应地引导到结构内部，然后生成初步神经元中心点（橙色）;（b）获得采样的骨骼点（红色）以表示更清晰的神经元形态。中心提议Q={qi：[x<$i;s<$i;r<$q]}Nq 与Co-纵坐标xiR3，客观性得分为R2（我们将对象性得分预测公式化为由交叉熵损失监督的二进制分类问题），半径rqR生成。中心建议的坐标通过将坐标偏移量添加到输入点xi=xi+迪岛Skills点选择。我们的目标是选择高-置信中心建议作为神经元骨架点从丰富和重叠的中心建议。因此，我们采用球形NMS下采样策略，利用提案生成预测的3D几何信息来获得紧凑的神经元骨架。非最大值抑制（NMS）[5，28，19，18]是一种从多个重叠对象中选择一个对象的通用计算机视觉方法。该方法的核心是通过迭代比较建议之间的置信度得分和交集（IoU）来消除冗余对象建议。根据这一思想，我们首先使用预测的笛卡尔坐标和半径的中心propos-als，以形成潜在的骨架球。我们将每次迭代具有最高对象性得分的中心提议存储为输出，同时如果具有此输出的球形体积的IoU大于阈值θIoU，则丢弃剩余的骨架球体。该方法可以有效地将神经元骨架点从中心建议中去除。在图5中清楚地显示，这些代表性骨架点构成简洁的神经元骨架，并且神经元结构形态比神经元输入点和中心提议更显著地反映3.3. 神经元连通性预测在本节中，受Point2Skeleton [27]的网格生成的启发，我们将神经元电路的连通性编码为图形数据结构。该图是由节点和边组成的高自由度结构。神经元骨架球体是图形节点，父子关系的两个点是两个图节点的边。图形初始化。在训练期间，我们从地面实况SWC文件中提取逐点关系以生成神经元点的初步父子关系图的初始化是基于这些初步的关系，这展示了神经元骨架的基本连接信息，并确保了相对可靠的拓扑结构。期望重构的图形映射与初始化的图形尽可能地相似。稍后将讨论用于推断的不同图初始化策略从重构的图形映射进行连接性预测。根据该拓扑信息，初始无向图A=（、），其中是神经元骨架点的集合，是边的集合。广告-作为图形自动编码器（GAE）的一个输入的雅克比矩阵A对边连通性进行编码 为了有效地利用骨架预测模块提供的有意义的几何信息，我们将神经元骨架点M的几何上下文特征、笛卡尔坐标x∈N及其半径r∈q连接起来，建立节点特征XRNs×（F+4），其中N s是神经元骨架点的数量。GAE的编码器部分是一个由图卷积、批量归一化和ReLU组成的图卷积层堆栈，它将节点特征压缩到潜在嵌入Z中：Z= GCN（X，A）。（一）GAE的解码器部分采用内积重构新邻接矩阵A_n：A=Z·ZT。（二）SWC文件生成。最后，我们设计了一个递归的方法来解释神经元骨架点的预测5792minminb-a。（三）××××CradNp我我Np=512从整个神经元点随机裁剪，和重建的连通性。它可以递归地搜索检测到的神经元点和边缘，以重建目标SWC文件。3.4. 学习目标对于神经元骨架预测，我们期望我们预测的骨架反映与SWC文件中手动注释的关键点相同的结构意义。协调补偿损失。在SWC关键点和中心建议之间测量双向倒角距离（CD），以优化预测的坐标偏离。这三个损失与权重λ相加以监督骨架预测模块：Lskel=L偏移+λLobj + Lrad。（六）在训练神经元连通性预测模块时，我们的目标是使重构的邻接矩阵尽可能类似于由SWC文件初始化的输入邻接矩阵。相似性损失。我们应用掩蔽交叉熵损失来监督GAE学习：设置：Lsim =1（M（Alog（σ（A））−（1−A）log（σ（1−A），L偏移量=22b∈{x<$i}2Ns2a∈{yj}（七）a∈{yj}b∈{x<$i}其中M是感兴趣点的掩码，σ是客观性损失。除了明确地指导点之外，我们还引入了交叉熵损失来监督预测的对象性得分，该得分指示局部中心提议位于神经突区域内部的置信度：L=−1slo g（σ （ s））+（1−s）lo g（1−σ（s）），pSigmoid激活函数。4. 实验和结果4.1. 数据集和实施详细信息数据集。 我们提出的框架进行评估，objNi i i我我（四）BigNeuron项目的Janelia-Fly数据集，不同的神经元形态的果蝇在皮层和其中，si是对象性得分预测，si是对象-ness标签，σ是Sigmoid激活函数。我们将输入到地面实况SWC球体中的中心提议分配为具有真实对象标签，而将其他中心提议分配为具有虚假对象标签。这两个互补损失函数从欧几里得几何和物体置信度两个角度促进了预测神经元中心建议和地面真实SWC点的一致性，这在第4.4节-消融研究中进行了讨论半径损失。神经元点的半径应该与最近中心的半径相同。我们使用平均绝对误差（MAE）来计算半径损失：L=1Σ|（C，q）−r<$q|、（五）我皮质下区域、视网膜和周围神经系统再gions [31].该数据集的体积图像通过光学显微镜成像，并通过Brainbow方法处理其手动注释[30]。我们将总共42幅图像分为35幅训练图像、3幅验证图像和4幅测试图像。训练和测试图像的 平 均 分 辨 率 为197198168和262159181. 前景神经元体素是分段的，通过强度阈值（θ=0. 2）的情况。通过将这些前景体素映射到笛卡尔空间中的点，我们获得每个图像大约N=12000 个 此 任 务 中 每 个 图 像 的 点 数 远 大 于ModelNet40中正常实例的点云[50][7]关于《易经》。 点云补丁其中，R1（，qi）表示距离中心建议qi最近的SWC点的半径。输入点用于训练我们提出的框架，并且应用数据增强，包括旋转和翻转。表1：神经元重构性能与传统算法的定量比较方法ESA↓DSA↓PDS↓精密度（%）↑召回率（%）↑F1（%）↑5793APP2+ [13]第十三话+ 3D MKF-Net [46]+ VCV-RL（SOTA）[44]+ PointNeuron（拟定）3 .第三章。22±0。381 .一、59± 0。191 .一、62± 0。211 .一、52± 0。211 .一、43± 0。297 .第一次会议。22± 0。893 .第三章。66±0。813 .第三章。85±0。763 .第三章。48±0。294.第一章13± 0。850的情况。32±0。050的情况。22±0。020的情况。22±0。030的情况。21±0。220的情况。18±0。03六十四51 ±9。8486岁。23 ±7。7689岁。03 ±8。7487岁25 ±7 4191. 56± 6。8151岁67± 2194五十六30±193955. 07± 18。13五十六87±179263岁17±228552岁63± 1322六十四92±1533六十五15±1。9366岁。17±1439七十一7±17。48Neutube [16]+ PointNeuron（拟定）二、05±0. 66二、03±0. 87五、58±1。37五、33±1。70的情况。26±0。080的情况。23±0。0687岁75 ±8。55九十三13± 6。3352岁11± 159052岁55± 14962. 89± 12。58六十五26±1215[20]第二十话+ PointNeuron（拟定）1 .一、96± 0。721 .一、76± 0。634.第一章85± 1。524.第一章79± 1。380的情况。23±0。080的情况。18±0。05八十五04 ±9。11九十三31± 6。8544. 92± 185550块87±213555. 86± 165763岁03±19。555794网络体系结构详细信息。我们在DGCNN中堆叠3个EdgeConv块来编码几何上下文信息，然后由3个共享MLP层的建议模块处理几何特征以生成中心建议。对于连通性预测，使用具有残差学习的12层GAE。补充材料中提供了更多细节。训练网络。神经元骨架预测和神经元连通性预测模块分别使用Adam优化器进行训练。对于骨架预测模块，主干DGCNN网络和建议模块一起使用以生成中心建议，中心建议使用Lskel（λ=10）和学习率1e−3进行训练。具有可接受范围的θIoU的取值范围为0.05 ~ 0.25，是为了选择高置信度的中心建议，以获得紧凑的神经元骨架。当训练连接预测模块时，我们冻结骨架预测模块，并使用Lsim和5e−4的学习率训练GAE。在GeForce RTX 2080 Ti上训练这两个模块收敛分别需要1200和200个epoch。推理。我们提出的骨架预测模块从沿着神经元结构滑动的窗口预测部分神经元骨架。然后，这些输出被聚合以形成完整的骨架。然后，连接神经元骨架节点探索神经元关系，并在连接预测模块中将最终神经元重建输出为新的SWC文件。图6：测试中神经元跟踪性能比较的可视化每一行代表一个图像。57954.2. 结果和分析我们使用[36]提出的三个空间距离驱动的度量，Entie Structure Average （ ESA ） ， Different StructureAverage （ DSA ） 和 Percentage of Different Structure（PDS）来测量神经元重建和地面真实SWC文件之间的几何差异。这三个度量的计算考虑了神经元节点的连接的正确性，其由Vaa3D软件插件处理。我们使用精度、召回率和F1报告了重建性能，其中真阳性（TP）、假阳性（FP）和假阴性（FN）通过测量预测的神经元点距离最近的地面真值点有多远来确定。我们提出的方法和传统的跟踪算法的定量评估为了便于与传统算法进行比较，并强调我们的方法的性能改进，如表1所示，我们提出的方法的跟踪性能优于传统算法。基于相同的APP 2，我们提出的方法优于之前的基于深度体素的模型，并且与VCV-RL的SOTA工作相当[44]。我们在图6中展示了与APP 2和我们的反射的可视化比较。预测的神经元结构在空间上实现了与地面实况的更好匹配，并且大多数神经元骨架节点被认为是结构上有意义的。值得注意的是，我们的方法的重建结果比APP2产生更少的假阳性点（或分支），并且更接近地面实况。4.3. 模型复杂性我们通过与以前的基于体素的深度学习模型进行比较，来衡量我们提出的基于点的模型的复杂性表2显示了我们的基于点的模型在计算内存占用和推理速度方面的显著优势。在输入数据类型为点云的情况下，我们消除了体积显微图像上大部分无意义背景体素的计算内存需求，并将输入内存大小减少了95.6%。此外，我们提出的MLP主导模型比基于卷积的网络需要更少的可训练参数，同时在推理过程中更有效。4.4. 消融研究我们进行了表3所列的消融研究。模块1和模块2配置有不同的损耗，表明偏移损耗L偏移有效地推动神经元表2：我们的基于点的模型与先前的基于体素的模型的模型复杂性分析，用于一次通过推理。模型输入内存大小（MB）参数（M）推断时间（ms）3D U型网33.551.50917.383D MKF-Net33.551.55925.69VCV-RL33.551.531038.67提出1.471.17665.34点向内，但单一的几何损失不能达到最佳结果。在模型3中，骨架预测中的编码器被另一个基于点的主干Point- Net++所取代，并且它的性能不如DGCNN，因为DGCNN采用动态设计来构建每层中的图形映射，这对于学习潜在空间中的全局代表性特征是优越的。模型4的结果表明，从骨架预测模块中学习到的神经元点的几何信息对于生成神经元点之间的精确链接是必不可少的。此外，我们测试了不同的下采样方法。我们提出的球形NMS下采样优于常规FPS和均匀采样。其原因是它考虑了局部几何结构，其原理适合于处理点云的不均匀性。表3：不同配置的定量消融研究ID方法ESA↓DSA↓PDS↓F1评分（%）↑1w/oLobj1 .一、61± 0。204.第一章71± 0。730的情况。20±0。03七十37± 17872w/oL偏移1 .一、70± 0。174.第一章74± 0。610的情况。22±0。2七十83± 18173PointNet++1 .一、50± 0。334.第一章28± 0。990的情况。19±0。04七十96± 17764w/o DGCNN五、06±2。07六、89±2。360的情况。38±0。0658± 34325FPS下采样1 .一、46± 0。314.第一章15± 0。730的情况。19±0。0468岁67± 18846均匀下采样1 .一、51± 0。284.第一章19± 0。670的情况。20±0。0368岁65± 18837个拟议1.43± 0. 294.13± 0. 850.18± 0. 0371.7± 17。485. 结论本文提出用点云数据表示神经元结构，并设计了一种新的基于点的流水线PointNeuron，以解决神经元自动三维重建的难题。以变换后的神经元点云为输入，设计了骨架预测模块，得到神经元骨架，然后由连通性预测模块学习骨架点之间的连接关系，生成最终的重建结果。实验结果表明，基于点云的方法比基于传统三维体数据的方法更有效，重建结果更精细，有利于三维医学分析和点云驱动的医疗应用。5796引用[1] Pietro Astolfi，Ruben Verdegli，Laurent Petit，EmanueleOlivetti，Jonathan Masci，Davide Boscaini，and PaoloAvesani.使用几何深度学习对解剖学上不合理的纤维进行Tractogram过滤。医学图像计算和计算机辅助干预国际会议（MICCAI），第291-301页。Springer，2020年。[2] Fabian Balsiger，Yannick Soom，Olivier Scheidegger，and Mauricio Reyes.基于稀疏点云的形状表示的体图像分割 。医 学图 像计 算和 计算机 辅助 干预 国际 会议（MICCAI），第273 - 281页。Springer，2019年。[3] Erhan Bas和Deniz Erdogmus主曲线作为管状物体的骨架。Neuroinformatics，9（2）：181-191，2011.[4] 比扎克、利卡、弗朗霍、佩恩和皮克林。用于颅内动脉瘤分离和量化的血管表面分割医学图像计算和计算机辅助干预国际会议（MICCAI），第128-137页。Springer，2020年。[5] Navaneeth Bodla，Bharat Singh，Rama Chellappa，andLarry S Davis.Soft-NMS--用一行代码改进目标检测在IEEE计算机视觉国际会议（ICCV）的会议记录中，第5561-5569页[6] KerryMBro wn ， Germa' nBarrionuev o ， AlisonJCanty，Vin-cenzo De Paola， Judith A Hirsch ， Gregory S X EJefferis，Ju Lu，Marjolein Snippe，Izumi Sugihara，andGiorgio A Ascoli.DIADEM数据集：神经元形态学的代表性光学显微镜图像，以推进数字重建的自动化。Neuroinformatics，9（2）：143[7] AngelXChang ， ThomasFunkhouser ， LeonidasGuibas，Pat Hanrahan，Qixing Huang，Zimming Li，Silvio Savarese ， Manolis Savva ， Shuran Song ， HaoSu，et al. ShapeNet：信息丰富的3D模型存储库。arXiv预印本arXiv：1512.03012，2015。[8] 陈汉波，肖航，刘天明，彭汉川。SmartTracing：基于自学习的神经元反射。Brain Informatics，2（3）：135[9] Liang-ChiehChen ， GeorgePapandreou ， IasonasKokkinos ， KevinMurphy ， andAlanLYuille.DeepLab：使用深度卷积网络、Atrous卷积和全连接CRF进行语义图像分割。IEEE Transactions on PatternAnalysis and Machine Intelligence （ TPAMI ） ， 40（4）：834[10] Liang-Chieh Chen，Yukun Zhu，George Papandreou，Florian Schroff，and Hartwig Adam.基于Atrous可分离卷积的语义图像分割编码解码器。在欧洲计算机视觉会议（ECCV）的会议记录中，第801-818页[11] Xiang Chen ， Nishant Ravikumar ， Yan Xia ， RahmanAttar ， Andres Diaz-Pinto ， Stefan K Piechnik ， StefanNeubauer，Steffen E Petersen，and Alejandro F Frangi.基于学习变形的三维形状重建的从稀疏和不完整的点云。医学图像分析，74：102228，2021。[12] Anna Choromanska，Shih-Fu Chang，and Rafael Yuste.多尺度跟踪的神经形态学自动重建。Frontiers in NeuralCircuits，6：25，2012.[13] O¨zgu¨ nC¨ic¨ek ， AhmedAbdulkadir ， SoerenSLienkamp ，Thomas Brox，and Olaf Ronneberger.3D U-Net：从稀疏注释学习密集体积分割医学图像计算和计算机辅助干预国际会议（MICCAI），第424-432页。施普林格，2016年。[14] 七斗，陈昊，金月明，余乐泉，秦静，恒平安。基于深度监督网络的CT图像肝脏自动分割医学图像计算和计算机辅助干预国际会议（MICCAI），第149-157页。施普林格，2016年。[15] MichalDrozdzal、EugeneVorontsov、GabrielChartrand、Samuel Kadoury和Chris Pal。跳过连接在生物医学图像分割中的重要性。在深度学习和数据标签的医疗应用中，第179-187页施普林格，2016年。[16] Linqing Feng ， Ting Zhao ， and Jinhyun Kim.NeuTube1.0：一种基于SWC格式的高效神经元重建软件的新设计。eNeuro，2（1），2015.[17] Rohan Gala ， Julio Chapeton ， Jayant Jitesh ， ChintanBhavsar和Armen Stepanyants。神经元形态学的主动学习，神经解剖学前沿，8：37，2014。[18] 罗斯·格希克。快速R-CNN。在IEEE计算机视觉国际会议（ICCV）的会议中，第1440-1448页[19] Ross Girshick，Jeff Donahue，Trevor Darrell和JitendraMalik。丰富的特征层次，用于准确的对象检测和语义分割。在IEEE计算机视觉和模式识别会议（CVPR）的会议中，第580-587页[20] 临姑和李成。学习促进丝状结构分割。在2015年IEEE国际计算机视觉会议（ICCV）的会议记录中，第639-647页[21] Yanrong Guo，Yaozong Gao，Dinggang Shen.通过深度特征学习和稀疏补丁匹配的可变形MR前列腺分割。IEEE医学成像学报（TMI），35（4）：1077[22] 何家发、潘成伟、杨灿、张明、王扬、周晓伟、余益州学习自动3D血管中心线提取的混合表示。在医学图像计算和计算机辅助干预国际会议（MICCAI）上，第2434. Springer，2020年。[23] Ngoc-Vuong Ho ， Tan Nguyen ， Gia-Han Diep ， NganLe，and Binh-Son Hua. Point-Unet：一种用于体积分割的上下文感知点神经网络。医学图像计算和计算机辅助干预国际会议（MICCAI），第644-655页。斯普林格，2021年。5797[24] 李炳昌，庄兆春，蒋安贤，和玉泰清。果蝇脑神经元三维结构重建的高通量计算机方法及其应用。PLOS计算生物学，8（9）：1[25] 李秋福和沈琳琳。使用深度网络在缠结神经元图像中进行 3D 神 经 元 重 建 IEEE医 学 成 像 学 报 （ TMI ） ， 39（2）：425[26] Rongjian Li，Tao Zeng，Hanchuan Peng，and ShuiwangJi.光学显微镜图像的深度学习分割IEEE医学成像学报（TMI），36（7）：1533[27] Cheng Lin，Changjian Li，Yuan Liu，Nenglun Chen，Yi-King Choi，and Wenping Wang.点2骨架：从点云学习骨骼表示。在IEEE/CVF计算机视觉和模式识别会议（CVPR）的会议记录中，第4277-4286页[28] 刘松涛，黄迪，王云红。自适应NMS：改进人群中的行 人 检 测 在 IEEE/CVF计 算 机 视 觉 和 模 式 识 别 会 议（CVPR）的会议记录中，第6459-6468页[29] Siqi Liu ， Donghao Zhang ， Yang Song ， HanchuanPeng，and Weidong Cai.具有精确分支擦除和置信度控制的反向跟踪的自动3-D神经元跟踪。IEEE医学成像学报（TMI），37（11）：2441[30] Jean Livet，Tamily A Weissman，Hyuno Kang，Ryan WDraft，Ju Lu，Robyn A Bennis，Joshua R Sanes和Jeff WLichtman。神经系统中荧光蛋白组合表达的转基因策略。Nature，450（7166）：56[31] Linus Manubens-Gil，Zhi Zhou，Hanbo Chen，ArvindRa- manathan，Xiaoxiao Liu，Yufeng Liu，AlessandroBria，Todd Gillette，Zongcai Ruan，Jian Yang，et al.BigNeuron：一个基准测试和预测神经元形态学自动重建的最佳性能算法的资源。bioRxiv，2022.[32] Fausto Milletari Nassir Navab和Seyed-Ahmad Ahmadi。V-Net：用于体医学图像分割的全卷积神经网络。2016年第四届3D视觉国际会议（3DV），第565-571页。IEEE，2016.[33] Darren R Myatt，Tye Hadlington，Giorgio A Ascoli，andSla- womir J Nasuto.从半手动到半自动的神经元形态重建。Frontiers in Neuroinformatics，6：4，2012.[34] 彭汉川，迈克尔·Hawrylycz，简·罗斯卡姆斯，肖恩·希尔，纳尔逊·斯普鲁斯顿，埃里克·梅杰林，和乔治·A·阿斯科利. BigNeuron：从光学显微镜图像进行大规模3D神经元重建。Neuron，87（2）：252-256，2015.[35] 彭涵川，龙福辉，吉恩·迈尔斯。使用全路径修剪的自动3D神经元跟踪。Bioinformatics，27（13）：1239[36] Hanchuan Peng ， Zongcai Ruan ， Deniz Atasoy ， andScott Sternson.使用图形增强的可变形模型自动重建3D神经元结构。Bioinformatics，26（12）：i38[37] Olaf Ronneberger，Philipp Fischer，and