一种基于形态学的神经元识别与分析方法
【专利摘要】本发明提出一种基于形态学的神经元识别与分析方法。采集神经细胞的显微图像数据；对显微图像数据进行预处理得到去噪声后的图像；对去除噪声的图像进行阈值分割得到去除背景后的神经元图像；从神经元图像中提取单个神经元；提取单个神经元的基础参数，基础参数包括骨架、细胞体、细胞体面积轴突或树突的数量、轴突或树突的长度。本发明可以自动识别和分析显微图像中的神经元，且识别速度快、效果理想，不仅能直观看出神经元形状，还能输出有效的神经元基础参数，大大减轻了研究者阅片的劳动强度，同时利于后续数据分析。
【专利说明】一种基于形态学的神经元识别与分析方法
【技术领域】
[0001] 本发明属于医学图像处理【技术领域】，具体涉及一种基于形态学的神经元识别与分 析方法。
【背景技术】
[0002] 神经元是组成神经系统的基本结构和功能单位，也称神经细胞，包括神经细胞体 和神经纤维。神经纤维是由神经元的轴突或树突、髓鞘和神经膜组成。髓鞘是由髓磷脂和蛋 白质组成，包在轴突或树突的外面，有绝缘作用，神经膜是一种神经胶质细胞，呈薄膜状，包 在神经纤维外面，具有保护和再生的作用。轴突或树突是神经元的信号输出通道，轴突通常 较树突细，是从细胞体发出的一根较长的呈圆柱形的细长突起，每个神经元只有一个轴突， 一般自细胞体发出，与一个或多个目标神经元发生连接。
[0003] 在当前有关人和动物的神经系统研究中，神经显微形态分析被广泛应用于正常的 或病理状态下的神经科学研究或诊断中。神经元及轴突的形态分析，对于对正确理解神经 发育、损伤程度及规律，掌握神经形态特征规律及分布具有重要意义。在神经元形态研究 中，单项形态参数并不具有实质性的研究参考价值，需进行多项基础参数及其互相关性的 研究。这些基础参数包括：纤维或轴突数量、周长和神经细胞体面积等。在以上获得的基础 参数的基础上，进而可以计算出其它有较高研究价值的参数：髓鞘厚度与轴突直径之比； 轴突直径与纤维直径之比（g-ratio)。
[0004] 复旦大学博士学位论文《视神经纤维自动识别与分析关键技术研究》提出了一种 视神经纤维的识别与分析方法，包括图像预处理、纤维轮廓识别以及形态数据分析这三个 步骤。该方法中采用区域生长法粗分割图像，采用snake精确分割神经纤维，虽能自动识别 神经纤维，但是识别速度较慢，并且输出的形态数据局限于纤维直径。
【发明内容】
[0005] 本发明提出一种基于形态学的神经元识别与分析方法，可以自动识别和分析显微 图像中的神经元，且识别速度快、效果理想，不仅能直观看出神经元形状，还能输出有效的 神经元基础参数，大大减轻了研究者阅片的劳动强度，同时利于后续数据分析。
[0006] 为了解决上述技术问题，本发明提供一种基于形态学的神经元的识别与分析方 法，步骤如下：
[0007] 第一步，采集神经细胞的显微图像数据；
[0008] 第二步，对第一步得到的显微图像数据进行预处理，得到去噪声后的图像；
[0009] 第三步，对第二步去除噪声的图像进行阈值分割，得到去除背景后的神经元图 像；
[0010] 第四步，从神经元图像中提取单个神经元；
[0011] 第五步，提取单个神经元的基础参数，基础参数包括骨架、细胞体、细胞体面积轴 突或树突的数量、轴突或树突的长度。
[0012] 较佳地，第二步中采用中值滤波方法对显微图像进行去噪处理。
[0013] 较佳地，第三步中，采用自适应阈值函数T(x，y)进行阈值分割，方法如公式（1)所 示：
[0014]
【权利要求】
1. 一种基于形态学的神经元的识别与分析方法，其特征在于，步骤如下： 第一步，采集神经细胞的显微图像数据； 第二步，对第一步得到的显微图像数据进行预处理，得到去噪声后的图像； 第三步，对第二步去除噪声的图像进行阈值分割，得到去除背景后的神经元图像； 第四步，从神经元图像中提取单个神经元； 第五步，提取单个神经元的基础参数，基础参数包括骨架、细胞体、细胞体面积轴突或 树突的数量、轴突或树突的长度。
2. 如权利要求1所述基于形态学的神经元的识别与分析方法，其特征在于，第二步中 采用中值滤波方法对显微图像进行去噪处理。
3. 如权利要求1所述基于形态学的神经元的识别与分析方法，其特征在于，第三步中， 采用自适应阈值函数T(x，y)进行阈值分割，方法如公式（1)所示：
公式（1)中，自适应阈值函数1'(1，7)=8。(1，7)+1'(|;图像8(|(1，7)是对灰度值8(1，7) 的局部补偿，常数Ttl是图像gjx, y)的全局阈值，采用Otsu方法确定最佳全局阈值Tq。
4. 如权利要求1所述基于形态学的神经元的识别与分析方法，其特征在于，第四步中， 采用八邻域算法识别并标记各个连通域，所识别的连通域即为神经元。
5. 如权利要求1所述基于形态学的神经元的识别与分析方法，其特征在于，第五步中， 所述骨架提取方法为：设单个神经元连通域为集合A，则集合A的骨架S(A)用腐蚀和开操 作表达，表达式如公式（2)所示，
式⑵中，腐蚀和开操作k次后的骨架Sk⑷=(A?kB)-(A?kB) 〇B，B是一个结构元， (A?kB)表示对集合A的连续k次腐蚀，（A?kB)如公式（3)所示， (A ? kB)=((…（A ? B) ? B) ? …）? B) (3) 式⑵中，K是集合A被腐蚀成空集前的最后一次迭代步骤，且K=max彳。
6. 如权利要求5所述基于形态学的神经元的识别与分析方法，其特征在于，第五步中， 所述细胞体提取方法为： 6. 1提取连通域的质心，设单个神经元图像中像素点（x，y)的灰度值为g(x，y)，则连通 域质心如公式（4)所示，
6. 2对连通域质心<x，进行单位膨胀； 假设C为神经元图像中的集合，D为神经元图像中一个圆形结构元，D对C进行膨胀的 方式如公式（5)所示， C ? Z) = {Z I [(D): n C] ￡ Cl。 （5) 公式（5)中，e?D为膨胀后的图像，D的圆心为质心半径为一个像素，初次膨胀 时集合C为质心; 6. 3质心被结构元单位膨胀后，比较单位膨胀操作获得的集合c?D与神经元连 通域为集合A的重叠性，若两者之间没有重叠点，则用集合C?D替代单位膨胀操作中的集 合C并重复单位膨胀，直至集合c ? D与集合A恰好有一个重叠点； 6. 4以质心<x，j/)作为圆心，以质心到所述重叠点的距离作为半径，构建圆形结构 元E，用结构元E对单个神经元连通域集合A进行开操作，如公式（6)所示，开操作结果AoE 即为神经元的细胞体图像， A〇E= (M)E) ? E (6)。
7. 如权利要求5所述基于形态学的神经元的识别与分析方法，其特征在于，第五步中， 所述细胞体面积提取方法为：将所述细胞体图像中的像素数量乘以显微镜的放大系数 获得细胞体的面积。
8. 如权利要求5所述基于形态学的神经元的识别与分析方法，其特征在于，第五步中， 所述轴突或树突数量的提取方法为：将所述获得的骨架图像与细胞体图像重叠，骨架和细 胞体的交点记为轴突或树突的起点，并将交点的数量作为轴突或树突的数量参数输出。
9. 如权利要求5所述基于形态学的神经元的识别与分析方法，其特征在于，第五步中， 所述轴突或树突长度的提取方法为： 9. 1以一个轴突或树突的起点为起点，沿骨架轨迹逐邻域判断像素数量标定属于该轴 突或树突的支点，直至骨架的终点；当八邻域内出现三个及三个以上像素不为〇的像素点 时，则邻域中心为该轴突或树突的支点；当八邻域内只有一个像素不为〇的像素点时，则邻 域中心为该轴突或树突的终点； 9. 2以一个轴突或树突的起点为起点，沿骨架轨迹，遍历属于该轴突或树突的支点，直 至相应的骨架终点，使用递推函数计算起点到支点、支点到支点、支点到终点的像素总数， 再乘以显微镜的放大系数作为该轴突或树突的长度参数输出。
【文档编号】G06K9/00GK104331892SQ201410621452
【公开日】2015年2月4日 申请日期:2014年11月5日 优先权日:2014年11月5日
【发明者】陈钱, 潘佳惠, 俞晓东, 牛世伟, 周玉蛟, 钱惟贤 申请人:南京理工大学