一種基于形態(tài)學(xué)的神經(jīng)元識(shí)別與分析方法
【專利摘要】本發(fā)明提出一種基于形態(tài)學(xué)的神經(jīng)元識(shí)別與分析方法。采集神經(jīng)細(xì)胞的顯微圖像數(shù)據(jù)；對(duì)顯微圖像數(shù)據(jù)進(jìn)行預(yù)處理得到去噪聲后的圖像；對(duì)去除噪聲的圖像進(jìn)行閾值分割得到去除背景后的神經(jīng)元圖像；從神經(jīng)元圖像中提取單個(gè)神經(jīng)元；提取單個(gè)神經(jīng)元的基礎(chǔ)參數(shù)，基礎(chǔ)參數(shù)包括骨架、細(xì)胞體、細(xì)胞體面積軸突或樹突的數(shù)量、軸突或樹突的長(zhǎng)度。本發(fā)明可以自動(dòng)識(shí)別和分析顯微圖像中的神經(jīng)元，且識(shí)別速度快、效果理想，不僅能直觀看出神經(jīng)元形狀，還能輸出有效的神經(jīng)元基礎(chǔ)參數(shù)，大大減輕了研究者閱片的勞動(dòng)強(qiáng)度，同時(shí)利于后續(xù)數(shù)據(jù)分析。
【專利說(shuō)明】一種基于形態(tài)學(xué)的神經(jīng)元識(shí)別與分析方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于醫(yī)學(xué)圖像處理【技術(shù)領(lǐng)域】，具體涉及一種基于形態(tài)學(xué)的神經(jīng)元識(shí)別與分 析方法。

【背景技術(shù)】
[0002] 神經(jīng)元是組成神經(jīng)系統(tǒng)的基本結(jié)構(gòu)和功能單位，也稱神經(jīng)細(xì)胞，包括神經(jīng)細(xì)胞體 和神經(jīng)纖維。神經(jīng)纖維是由神經(jīng)元的軸突或樹突、髓鞘和神經(jīng)膜組成。髓鞘是由髓磷脂和蛋 白質(zhì)組成，包在軸突或樹突的外面，有絕緣作用，神經(jīng)膜是一種神經(jīng)膠質(zhì)細(xì)胞，呈薄膜狀，包 在神經(jīng)纖維外面，具有保護(hù)和再生的作用。軸突或樹突是神經(jīng)元的信號(hào)輸出通道，軸突通常 較樹突細(xì)，是從細(xì)胞體發(fā)出的一根較長(zhǎng)的呈圓柱形的細(xì)長(zhǎng)突起，每個(gè)神經(jīng)元只有一個(gè)軸突， 一般自細(xì)胞體發(fā)出，與一個(gè)或多個(gè)目標(biāo)神經(jīng)元發(fā)生連接。
[0003] 在當(dāng)前有關(guān)人和動(dòng)物的神經(jīng)系統(tǒng)研究中，神經(jīng)顯微形態(tài)分析被廣泛應(yīng)用于正常的 或病理狀態(tài)下的神經(jīng)科學(xué)研究或診斷中。神經(jīng)元及軸突的形態(tài)分析，對(duì)于對(duì)正確理解神經(jīng) 發(fā)育、損傷程度及規(guī)律，掌握神經(jīng)形態(tài)特征規(guī)律及分布具有重要意義。在神經(jīng)元形態(tài)研究 中，單項(xiàng)形態(tài)參數(shù)并不具有實(shí)質(zhì)性的研究參考價(jià)值，需進(jìn)行多項(xiàng)基礎(chǔ)參數(shù)及其互相關(guān)性的 研究。這些基礎(chǔ)參數(shù)包括：纖維或軸突數(shù)量、周長(zhǎng)和神經(jīng)細(xì)胞體面積等。在以上獲得的基礎(chǔ) 參數(shù)的基礎(chǔ)上，進(jìn)而可以計(jì)算出其它有較高研究?jī)r(jià)值的參數(shù)：髓鞘厚度與軸突直徑之比； 軸突直徑與纖維直徑之比（g-ratio)。
[0004] 復(fù)旦大學(xué)博士學(xué)位論文《視神經(jīng)纖維自動(dòng)識(shí)別與分析關(guān)鍵技術(shù)研究》提出了一種 視神經(jīng)纖維的識(shí)別與分析方法，包括圖像預(yù)處理、纖維輪廓識(shí)別以及形態(tài)數(shù)據(jù)分析這三個(gè) 步驟。該方法中采用區(qū)域生長(zhǎng)法粗分割圖像，采用snake精確分割神經(jīng)纖維，雖能自動(dòng)識(shí)別 神經(jīng)纖維，但是識(shí)別速度較慢，并且輸出的形態(tài)數(shù)據(jù)局限于纖維直徑。


【發(fā)明內(nèi)容】

[0005] 本發(fā)明提出一種基于形態(tài)學(xué)的神經(jīng)元識(shí)別與分析方法，可以自動(dòng)識(shí)別和分析顯微 圖像中的神經(jīng)元，且識(shí)別速度快、效果理想，不僅能直觀看出神經(jīng)元形狀，還能輸出有效的 神經(jīng)元基礎(chǔ)參數(shù)，大大減輕了研究者閱片的勞動(dòng)強(qiáng)度，同時(shí)利于后續(xù)數(shù)據(jù)分析。
[0006] 為了解決上述技術(shù)問(wèn)題，本發(fā)明提供一種基于形態(tài)學(xué)的神經(jīng)元的識(shí)別與分析方 法，步驟如下：
[0007] 第一步，采集神經(jīng)細(xì)胞的顯微圖像數(shù)據(jù)；
[0008] 第二步，對(duì)第一步得到的顯微圖像數(shù)據(jù)進(jìn)行預(yù)處理，得到去噪聲后的圖像；
[0009] 第三步，對(duì)第二步去除噪聲的圖像進(jìn)行閾值分割，得到去除背景后的神經(jīng)元圖 像；
[0010] 第四步，從神經(jīng)元圖像中提取單個(gè)神經(jīng)元；
[0011] 第五步，提取單個(gè)神經(jīng)元的基礎(chǔ)參數(shù)，基礎(chǔ)參數(shù)包括骨架、細(xì)胞體、細(xì)胞體面積軸 突或樹突的數(shù)量、軸突或樹突的長(zhǎng)度。
[0012] 較佳地，第二步中采用中值濾波方法對(duì)顯微圖像進(jìn)行去噪處理。
[0013] 較佳地，第三步中，采用自適應(yīng)閾值函數(shù)T(x，y)進(jìn)行閾值分割，方法如公式（1)所 示：
[0014]

【權(quán)利要求】
1. 一種基于形態(tài)學(xué)的神經(jīng)元的識(shí)別與分析方法，其特征在于，步驟如下： 第一步，采集神經(jīng)細(xì)胞的顯微圖像數(shù)據(jù)； 第二步，對(duì)第一步得到的顯微圖像數(shù)據(jù)進(jìn)行預(yù)處理，得到去噪聲后的圖像； 第三步，對(duì)第二步去除噪聲的圖像進(jìn)行閾值分割，得到去除背景后的神經(jīng)元圖像； 第四步，從神經(jīng)元圖像中提取單個(gè)神經(jīng)元； 第五步，提取單個(gè)神經(jīng)元的基礎(chǔ)參數(shù)，基礎(chǔ)參數(shù)包括骨架、細(xì)胞體、細(xì)胞體面積軸突或 樹突的數(shù)量、軸突或樹突的長(zhǎng)度。
2. 如權(quán)利要求1所述基于形態(tài)學(xué)的神經(jīng)元的識(shí)別與分析方法，其特征在于，第二步中 采用中值濾波方法對(duì)顯微圖像進(jìn)行去噪處理。
3. 如權(quán)利要求1所述基于形態(tài)學(xué)的神經(jīng)元的識(shí)別與分析方法，其特征在于，第三步中， 采用自適應(yīng)閾值函數(shù)T(x，y)進(jìn)行閾值分割，方法如公式（1)所示：
公式（1)中，自適應(yīng)閾值函數(shù)1'(1，7)=8。(1，7)+1'(|;圖像8(|(1，7)是對(duì)灰度值8(1，7) 的局部補(bǔ)償，常數(shù)Ttl是圖像gjx, y)的全局閾值，采用Otsu方法確定最佳全局閾值Tq。
4. 如權(quán)利要求1所述基于形態(tài)學(xué)的神經(jīng)元的識(shí)別與分析方法，其特征在于，第四步中， 采用八鄰域算法識(shí)別并標(biāo)記各個(gè)連通域，所識(shí)別的連通域即為神經(jīng)元。
5. 如權(quán)利要求1所述基于形態(tài)學(xué)的神經(jīng)元的識(shí)別與分析方法，其特征在于，第五步中， 所述骨架提取方法為：設(shè)單個(gè)神經(jīng)元連通域?yàn)榧螦，則集合A的骨架S(A)用腐蝕和開操 作表達(dá)，表達(dá)式如公式（2)所示，
式⑵中，腐蝕和開操作k次后的骨架Sk⑷=(A?kB)-(A?kB) 〇B，B是一個(gè)結(jié)構(gòu)元， (A?kB)表示對(duì)集合A的連續(xù)k次腐蝕，（A?kB)如公式（3)所示， (A ? kB)=((…（A ? B) ? B) ? …）? B) (3) 式⑵中，K是集合A被腐蝕成空集前的最后一次迭代步驟，且K=max彳。
6. 如權(quán)利要求5所述基于形態(tài)學(xué)的神經(jīng)元的識(shí)別與分析方法，其特征在于，第五步中， 所述細(xì)胞體提取方法為： 6. 1提取連通域的質(zhì)心，設(shè)單個(gè)神經(jīng)元圖像中像素點(diǎn)（x，y)的灰度值為g(x，y)，則連通 域質(zhì)心如公式（4)所示，
6. 2對(duì)連通域質(zhì)心<x，進(jìn)行單位膨脹； 假設(shè)C為神經(jīng)元圖像中的集合，D為神經(jīng)元圖像中一個(gè)圓形結(jié)構(gòu)元，D對(duì)C進(jìn)行膨脹的 方式如公式（5)所示， C ? Z) = {Z I [(D): n C] ￡ Cl。 （5) 公式（5)中，e?D為膨脹后的圖像，D的圓心為質(zhì)心半徑為一個(gè)像素，初次膨脹 時(shí)集合C為質(zhì)心; 6. 3質(zhì)心被結(jié)構(gòu)元單位膨脹后，比較單位膨脹操作獲得的集合c?D與神經(jīng)元連 通域?yàn)榧螦的重疊性，若兩者之間沒(méi)有重疊點(diǎn)，則用集合C?D替代單位膨脹操作中的集 合C并重復(fù)單位膨脹，直至集合c ? D與集合A恰好有一個(gè)重疊點(diǎn)； 6. 4以質(zhì)心<x，j/)作為圓心，以質(zhì)心到所述重疊點(diǎn)的距離作為半徑，構(gòu)建圓形結(jié)構(gòu) 元E，用結(jié)構(gòu)元E對(duì)單個(gè)神經(jīng)元連通域集合A進(jìn)行開操作，如公式（6)所示，開操作結(jié)果AoE 即為神經(jīng)元的細(xì)胞體圖像， A〇E= (M)E) ? E (6)。
7. 如權(quán)利要求5所述基于形態(tài)學(xué)的神經(jīng)元的識(shí)別與分析方法，其特征在于，第五步中， 所述細(xì)胞體面積提取方法為：將所述細(xì)胞體圖像中的像素?cái)?shù)量乘以顯微鏡的放大系數(shù) 獲得細(xì)胞體的面積。
8. 如權(quán)利要求5所述基于形態(tài)學(xué)的神經(jīng)元的識(shí)別與分析方法，其特征在于，第五步中， 所述軸突或樹突數(shù)量的提取方法為：將所述獲得的骨架圖像與細(xì)胞體圖像重疊，骨架和細(xì) 胞體的交點(diǎn)記為軸突或樹突的起點(diǎn)，并將交點(diǎn)的數(shù)量作為軸突或樹突的數(shù)量參數(shù)輸出。
9. 如權(quán)利要求5所述基于形態(tài)學(xué)的神經(jīng)元的識(shí)別與分析方法，其特征在于，第五步中， 所述軸突或樹突長(zhǎng)度的提取方法為： 9. 1以一個(gè)軸突或樹突的起點(diǎn)為起點(diǎn)，沿骨架軌跡逐鄰域判斷像素?cái)?shù)量標(biāo)定屬于該軸 突或樹突的支點(diǎn)，直至骨架的終點(diǎn)；當(dāng)八鄰域內(nèi)出現(xiàn)三個(gè)及三個(gè)以上像素不為〇的像素點(diǎn) 時(shí)，則鄰域中心為該軸突或樹突的支點(diǎn)；當(dāng)八鄰域內(nèi)只有一個(gè)像素不為〇的像素點(diǎn)時(shí)，則鄰 域中心為該軸突或樹突的終點(diǎn)； 9. 2以一個(gè)軸突或樹突的起點(diǎn)為起點(diǎn)，沿骨架軌跡，遍歷屬于該軸突或樹突的支點(diǎn)，直 至相應(yīng)的骨架終點(diǎn)，使用遞推函數(shù)計(jì)算起點(diǎn)到支點(diǎn)、支點(diǎn)到支點(diǎn)、支點(diǎn)到終點(diǎn)的像素總數(shù)， 再乘以顯微鏡的放大系數(shù)作為該軸突或樹突的長(zhǎng)度參數(shù)輸出。
【文檔編號(hào)】G06K9/00GK104331892SQ201410621452
【公開日】2015年2月4日 申請(qǐng)日期:2014年11月5日 優(yōu)先權(quán)日:2014年11月5日
【發(fā)明者】陳錢, 潘佳惠, 俞曉東, 牛世偉, 周玉蛟, 錢惟賢 申請(qǐng)人:南京理工大學(xué)