(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210828787.5 (22)申请日 2022.07.13 (71)申请人 华中科技大 学苏州脑空间信息 研究 院 地址 215123 江苏省苏州市苏州工业园区 若水路38 8号 (72)发明人 袁菁　龚辉　宁可夫　卢渤霖　 张小宇　 (74)专利代理 机构 杭州宇信联合知识产权代理 有限公司 3 3401 专利代理师 王健 (51)Int.Cl. G06T 17/00(2006.01) G06T 15/00(2011.01) G06T 3/40(2006.01)G06T 7/11(2017.01) G06T 7/246(2017.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种提高全脑神经元重建准确率和速度的 方法 (57)摘要 本发明提供了一种提高全脑神经元重建准 确率和速度的方法， 包括S1全脑大数据归档； S2 给待重建神经元设定初始三维坐标， 获取第1个 感兴趣区域对应的三维数据块， 并将该三维数据 块作为当前数据块； S3判断当前数据块是否需要 进行轴向分辨率提升， 如需轴向分辨率提升， 则 对当前数据块进行轴向分辨率增强； 否则进入 S4； S4重建当前数据块下神经元； S5根据神经元 的走向， 自动追踪获取下一个感兴趣区域对应的 三维数据块， 将该三维数据块作为新的当前数据 块； S6重复步骤S3 ‑S5直到神经元重建完成。 本发 明在全脑神经元重建中， 根据需求针对信号密集 复杂的区域进行实时轴向分辨率提升， 方便看清 虚假连接， 提高重建的准确率和速度， 不产生额 外时间和存 储成本。 权利要求书2页 说明书8页 附图2页 CN 115272563 A 2022.11.01 CN 115272563 A 1.一种提高全脑神经 元重建准确率和速度的方法， 其特 征在于， 包括如下步骤： S1， 将全脑三维数据分割成N个体积相等的三维数据块， 将所有三维数据块按照位置索 引保存， N 为正整数； S2， 给待重建神经元胞体设定初始三维坐标， 设置追踪起始点， 所述追踪起始点为待重 建神经元胞体的初始 三维坐标， 根据所述追踪起始 点获取第1个感兴趣区域， 并读取所示第 1个感兴趣区域对应的三维数据块， 并将第一个感兴趣区域对应的三维数据块作为当前数 据块； S3， 根据当前数据块的信号密度和复杂程度选择是否需要进行轴向分辨率提升， 如需 轴向分辨率提升， 则对当前数据块进 行轴向分辨率增强； 如无需轴向分辨率提升， 则直接进 入下一步； S4， 重建当前数据块下的神经 元； S5， 根据神经元的走向， 自动追踪获取下一个感兴趣区域， 并读取下一个感兴趣区域对 应的三维数据块， 将下一个感兴趣区域对应的三维数据块作为 新的当前 数据块； S6， 重复步骤S3 ‑S5直到整个神经 元形态重建完成。 2.根据权利要求1所述的一种提高全脑神经元重建准确率和速度的方法， 其特征在于， S3中对当前 数据块进行轴向分辨 率增强的具体步骤为： S31， 搭建无监 督网络模型； S32， 从所述全脑三维数据中直接生成非配对训练数据集训练所述无监督网络模型， 获 得轴向分辨 率提升神经网络； S33， 将所述当前数据块输入至所述轴向分辨率提升神经网络中， 获得轴向分辨率增强 的三维数据块。 3.根据权利要求2所述的一种提高全脑神经元重建准确率和速度的方法， 其特征在于， S31中所述无监 督网络模型为循环一 致生成对抗网络 CycleGAN。 4.根据权利要求3所述的一种提高全脑神经元重建准确率和速度的方法， 其特征在于， 所述无监督神经网络模型包括两个结构相同的生成网络GA、 GB和两个结构相同的判别网络 DA、 DB。 5.根据权利要求4所述的一种提高全脑神经元重建准确率和速度的方法， 其特征在于， 所述无监 督网络模型以循环一 致的方式进行训练。 6.根据权利要求4所述的一种提高全脑神经元重建准确率和速度的方法， 其特征在于， S32中所述非配对训练数据集由所述全脑三维数据中的三维数据块 直接生成， 具体包括： 将获取的三维数据块分别沿横向和轴向进行切片， 获得其横向切片和轴向切片， 所述 横向切片即横向高分辨数据集X， 所述轴向切片即轴向低分辨数据集Y； 将所述轴向低分辨数据集Y沿着列方向插值升采样， 使其像素分辨率和横向高分辨数 据集X一致； 将所述横向高分辨数据集X和所述轴向低分辨数据集Y进行拆分， 得到一系列尺寸相 同， 像素不对应的非配对图像块， 作为非配对训练数据集。 7.根据权利要求3所述的一种提高全脑神经元重建准确率和速度的方法， 其特征在于， 所述无监督神经网络模型包括基于生成对抗网络的图像转换模型和基于卷积神经网络的 图像恢复模型， 所述图像 转换模型包括两个结构相同的生成网络GA、 GB和两个结构相同的判权　利　要　求　书 1/2 页 2 CN 115272563 A 2别网络DA、 DB， 所述图像恢复模型为 带有残差连接的残差神经网络或含有降采样路径和升采 样路径的U型网络 。 8.根据权利要求7所述的一种提高全脑神经元重建准确率和速度的方法， 其特征在于， S32中所述非配对训练数据集由全脑三维数据中的三维数据块 直接生成， 具体包括： 将获取的所述三维数据块分别沿横向和轴向进行切片， 获得其横向切片和轴向切片， 所述横向切片即横向高分辨数据集X； 将所述横向高分辨数据集X沿着图像的列 方向先降采样， 再升采样， 获得横向低分辨数 据集Y， 将所述轴向切片沿着图像的列方向进行升采样， 获得轴向低分辨数据集Z； 将所述横向高分辨数据集X、 所述横向低分辨数据集Y和所述轴向低分辨数据集Z进行 拆分， 形成一系列尺寸相同的非配对图像块； 其中所述横向高分辨数据集X和所述横向低分辨数据集Y 中的图像块像素一一对应， 所 述横向高分辨数据集X和所述轴向低分辨数据集Z中的图像块像素不对应， 所述横向低分辨 数据集Y和所述轴向低分辨数据集Z中的图像块像素不对应。 9.根据权利要求8所述的一种提高全脑神经元重建准确率和速度的方法， 其特征在于， 所述无监督网络模型训练 时， 在每个迭代优化周期内， 先优化所述图像转换模型， 然后再优 化所述图像恢复模型， 且所述图像转换模型以循环一 致的方式进行训练。 10.根据权利要求2所述的一种提高全脑神经元重建准确率和速度的方法， 其特征在 于， S33中具体步骤 包括： S331， 将当前数据块分别沿着x方向和y方向进行重切片， 获得xz和 yz两个方向的轴向 切面， 将这两个方向的轴向切面沿着列方向插值升采样， 使其像素分辨 率与行方向一致； S332， 将升采样后两个方向的轴向切面依次输入到所述轴向分辨率提升神经网络中， 获得轴向分辨 率提高的xz和yz切面图； S333， 将S332中xz和yz切面图重切片回原 始的xy方向， 并进行平均。权　利　要　求　书 2/2 页 3 CN 115272563 A 3