2022年10月27日，廣東省智能科學(xué)與技術(shù)研究院（以下簡(jiǎn)稱廣東省智能院）王宜敏實(shí)驗(yàn)室（神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)計(jì)算與可視化組）與上海大學(xué)朱曉強(qiáng)實(shí)驗(yàn)室及英國(guó)伯恩茅斯大學(xué)在神經(jīng)信息學(xué)領(lǐng)域知名期刊《神經(jīng)信息學(xué)前沿》（Frontiers in Neuroinformatics）在線發(fā)表題為“Robust quasi-uniform surface meshing of neuronal morphology using line skeleton-based progressive convolution approximation”的研究論文。該論文提出了使用漸進(jìn)式卷積逼近的方法生成神經(jīng)元形態(tài)結(jié)構(gòu)數(shù)據(jù)的表面網(wǎng)格模型。
基于線骨架的神經(jīng)元形態(tài)結(jié)構(gòu)表面網(wǎng)格模型生成
由于神經(jīng)元通常具有不規(guī)則且復(fù)雜的結(jié)構(gòu)，創(chuàng)建高質(zhì)量的神經(jīng)元形態(tài)數(shù)據(jù)的多邊形網(wǎng)格表示，并進(jìn)一步進(jìn)行神經(jīng)元數(shù)據(jù)可視化和一系列模擬工作，是一項(xiàng)重要但頗具挑戰(zhàn)的工作。本文發(fā)展了一種新的方法從神經(jīng)元形態(tài)數(shù)據(jù)的骨架-半徑表示來(lái)構(gòu)建一個(gè)水密的三維網(wǎng)格模型。在神經(jīng)元骨架數(shù)據(jù)的驅(qū)動(dòng)下，文章借鑒數(shù)字雕刻的方式，采用漸進(jìn)式的方法對(duì)一個(gè)初始胞體模型進(jìn)行形變，從而重構(gòu)出神經(jīng)元的表面模型。為了高效地進(jìn)行表面變形計(jì)算，文章采用了局部映射的思想，使得只有在當(dāng)前骨骼的影響區(qū)域(ROI)內(nèi)的頂點(diǎn)才需要被更新。ROI由卷積核確定，并沿著神經(jīng)元骨架進(jìn)行卷積從而產(chǎn)生平滑整體曲面的勢(shì)能場(chǎng)。在整個(gè)演化過(guò)程中，網(wǎng)格模型的質(zhì)量由一系列準(zhǔn)規(guī)則操作確保，包括分割過(guò)長(zhǎng)邊、退化過(guò)短邊、沿切平面優(yōu)化頂點(diǎn)分布以產(chǎn)生規(guī)則的三角形。此外，結(jié)果網(wǎng)格上的頂點(diǎn)密度由神經(jīng)元局部的半徑和曲率決定，以實(shí)現(xiàn)自適應(yīng)性。
漸進(jìn)式的網(wǎng)格生成過(guò)程
基于此方法，研究人員開(kāi)展了大量的神經(jīng)元表面模型生成實(shí)驗(yàn)，并與CTNG、Neuroize、NeuroTessMesh、AnaMorph等先前方法進(jìn)行了對(duì)比。通過(guò)實(shí)驗(yàn)發(fā)現(xiàn)，本文的方法具有更高的穩(wěn)定性和有效性、同時(shí)結(jié)果數(shù)據(jù)具有更高的模型質(zhì)量。
上海大學(xué)朱曉強(qiáng)副教授為本文第一作者，廣東省智能院王宜敏研究員為論文的通訊作者。該項(xiàng)工作得到了廣東省高水平創(chuàng)新研究院項(xiàng)目、廣東省重點(diǎn)領(lǐng)域研發(fā)計(jì)劃、國(guó)家自然科學(xué)基金、上海市自然科學(xué)基金等多項(xiàng)基金的支持。
文章鏈接：https://doi.org/10.3389/fninf.2022.953930
