全文总字数：5647字
1. 研究目的与意义（文献综述）
人脑拥有多达上千亿的神经元，这些不断发出电信号的神经元组成密密麻麻的网络，至今我们对它知之甚少，因而人脑也被称为宇宙中最复杂的物体。神经科学家认为，这些神经元有成千上万种不同的细胞类型，在细胞形状、大小和基因表达方面有很大的差异。科学家希望绘制出神经元结构以及它们如何互相作用，自动追踪重建神经元细胞，这将有助于揭示它们的功能，同时对人类重大疾病的救治也起着非常关键的作用。20世纪以来，全世界的科学家都做出了许多研究成果。
rui lin[1]发现表征神经元的精确三维形态和解剖背景对于神经元细胞类型分类和电路映射至关重要。组织清除技术和显微镜技术的最新进展使得有可能获得大脑组织中完整，交织的神经元簇的图像堆栈。其提出了一种快速而强大的方法，称为g-cut，该方法能够自动将交织的神经元簇中的单个神经元分段。jun xie[2]可从显微镜下自动进行神经元的3d重建。使用有效的自适应播种方法捕获复杂的神经元结构，并通过从使用那些最佳种子构建的加权图计算最佳重构来解决跟踪问题。tingwei quan[3]通过部分模仿人类分离单个神经元的策略，实现了神经元种群的自动重建。对于其他方法无法解决的总体，并且获得的召回率和准确率约为80％。他们还证明了3小时内960个神经元的重建。
wei tang[8]提出了一种训练时间计算效率高的神经网络，用于ct图像重建。所提出的方法使用最新的神经网络进行ct重建可获得可比的图像质量，同时显着减少了训练期间的内存和时间要求。其使用深层unet作为cnn，并结合了具有顺序子集的可分离二次代理以保证数据保真度，因此该解决方案可以摆脱简单的局部最小值，从而获得更好的图像质量。
2. 研究的基本内容与方案
研究的基本内容
（1）进行全脑图像中前景和背景的检测，全脑图像背景中会有嘈杂的噪声点、高亮度点以及一些随机噪声。同时存在一些胶质细胞，会对神经元的标注和追踪工作产生干扰。
而我们的工作致力于实现神经元结构区域的识别和检测，将神经元细胞与其他胶质细胞区分开，从而加速神经元的标注工作与自动追踪工作。
3. 研究计划与安排
2020/1/13—2020/2/28：进一步阅读文献，并分析和总结；确定技术路线，完成并提交开题报告,翻译英文资料；
2020/3/1—2020/4/5：熟悉所选用的开发平台进行需求分析，算法设计和实现等；熟悉qt编程平台以及python编程的相关问题，做好编程实验的两手准备；
4. 参考文献（12篇以上）
| ［1］Li, R., Zhu, M., Li, J. et al. Precise segmentation of densely interweaving neuron clusters using G-Cut. Nat Commun 10, 1549 (2019). ［2］Xie, J., Zhao, T., Lee, T., Myers, E. Peng, H. Anisotropic path searching for automatic neuron reconstruction. Med. Image Anal. 15, 680–689 (2011). ［3］Quan, T., Zhou, H., Li, J. et al. NeuroGPS-Tree: automatic reconstruction of large-scale neuronal populations with dense neurites. Nat Methods 13, 51–54 (2016). https://doi.org/10.1038/nmeth.3662 |
［4］Peng, H., Ruan, Z., Long, F. et al. V3D enables real-time 3Dvisualization and quantitative analysis of large-scale biological image datasets. Nat Biotechnol 28, 348–353 (2010). https://doi.org/10.1038/nbt.1612
［5］ Hang Xiao, Hanchuan Peng, APP2: automatic tracing of 3D neuronmorphology based on hierarchical pruning of a gray-weighted image distance-tree,
Bioinformatics, Volume 29, Issue 11, 1 June2013, Pages 1448–1454,
［6］Zhou, Z., Liu, X., Long, B. etal. TReMAP: Automatic 3D Neuron Reconstruction Based on Tracing, ReverseMapping and Assembling of 2D Projections. Neuroinform 14, 41–50 (2016).
［7］Chen, H., Xiao, H., Liu,T. et al. SmartTracing: self-learning-based Neuronreconstruction. Brain Inf. 2, 135–144 (2015).
［8］ Wei Tang,Zhijian Wang,JiyouZhai,Zhangjing Yang. Salient Object Detection
via Two-Stage Absorbing Markov Chain Based onBackground and Foreground[J]. Journal of Visual Communication and ImageRepresentation,2019.
［9］Yan C, Li A, Zhang B, Ding W, LuoQ, et al. (2013) Automated and Accurate Detection of Soma Location and SurfaceMorphology in Large-Scale 3D Neuron Images. PLOS ONE 8(4): e62579.https://doi.org/10.1371/journal.pone.0062579
［10］Iqbal, A., Sheikh, A. Karayannis, T. DeNeRD: high-throughput detection of neurons for brain-wideanalysis with deep learning. Sci Rep 9, 13828 (2019)doi:10.1038/s41598-019-50137-9
［11］ Bass, C., Helkkula, P., De, P. V.,Clopath, C., and Bharath, A. A. (2017). Detection of axonal synapses in 3dtwo-photon images. PLoS ONE 12:e0183309. doi: 10.1371/journal.pone.0183309
［12］ Cheng, S., Quan, T., Liu, X., andZeng, S. (2016). Large-scale localization of touching somas from 3D imagesusing density-peak clustering. BMC Bioinformatics 17:375. doi:10.1186/s12859-016-1252-x.
［13］Wan, Y., Long, F., Qu, L., Xiao,H., Hawrylycz, M., Myers, E. W., Peng, H. (2015). BlastNeuron forautomated comparison, retrieval and clustering of 3D neuron morphologies. Neuroinformatics.
［14］Wang, Y., Narayanaswamy, A., Tsai,C.-L., Roysam, B. (2011). A broadly applicable 3-D neuron tracing methodbased on open-curve snake. Neuroinformatics, 9, 193–217.
［15］Parekh, R., Armaanzas, R., Ascoli, G. A. (2015). The importance of metadata to assess information contentin digital reconstructions of neuronal morphology. Cell TissueResearch, 360(1), 121–
［16］杨超. 图像前背景分离的机器学习算法及应用[D].贵州大学,2019.
课题毕业论文、开题报告、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
