standard download
文库搜索
切换导航
文件分类
频道
仅15元无限下载
联系我们
问题反馈
文件分类
仅15元无限下载
联系我们
问题反馈
批量下载
(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
专利 一种提高全脑神经元重建准确率和速度的方法
文档预览
中文文档
13 页
50 下载
1000 浏览
0 评论
0 收藏
3.0分
赞助2.5元下载(无需注册)
温馨提示:本文档共13页,可预览 3 页,如浏览全部内容或当前文档出现乱码,可开通会员下载原始文档
下载文档到电脑,方便使用
赞助2.5元下载
本文档由 SC 于
2024-02-24 00:44:43
上传分享
举报
下载
原文档
(806.2 KB)
分享
友情链接
易观分析 AIGC产业研究报告2023——三维生成篇pdf.pdf
HJ-T 166-2004 土壤环境监测技术规范.pdf
GB-T 41703-2022 商业或工业用及类似用途的热泵热水系统设计、安装、验收规范.pdf
GB-T 33024-2016 柳编制品.pdf
T-GHDQ 88.2—2022 车辆无线通信信息安全测试规范 第2部分:车载WLAN安全测试规范.pdf
清华大学 - SuperBench大模型综合能力评测报告 0412 v2.2.pdf
GB-T 22081-xxxx ISO-IEC27002 2022 信息安全技术 信息安全控制(征求意见稿).pdf
GB-T 31914-2015 电子文件管理系统建设指南.pdf
GB-T 34078.1-2017 基于云计算的电子政务公共平台总体规范第1部分 术语和定义.pdf
GB-T 1457-2022 夹层结构滚筒剥离强度试验方法.pdf
GM-T 0049-2016 密码键盘检测规范.pdf
T-GERS 0020—2023 供气企业诚信计量管理规范.pdf
SN-T 2045-2022 进出口燃料油产品技术规范.pdf
T-COS 013—2023 装甲车辆动力及传动系统试验要求.pdf
NB-T 10682-2021 数字化继电保护现场系统级检测规范.pdf
GB-T 32038-2015 照明工程节能监测方法.pdf
isc 西南分会 梅瑞 大模型驱动安全探索.pdf
GB-T 42755-2023 人工智能 面向机器学习的数据标注规程.pdf
GB-T 5741-2008 船用柴油机排气烟度测量方法.pdf
YD-T 4060-2022 云计算安全责任共担模型.pdf
1
/
13
评价文档
赞助2.5元 点击下载(806.2 KB)
回到顶部
×
微信扫码支付
2.5
元 自动下载
官方客服微信:siduwenku
支付 完成后 如未跳转 点击这里 下载
站内资源均来自网友分享或网络收集整理,若无意中侵犯到您的权利,敬请联系我们
微信(点击查看客服)
,我们将及时删除相关资源。