该算法有助于分析神经元图像

寻找刺激神经元生长方法的科学家可以花大量时间仔细分析培养皿中细胞生长的显微图像。布朗大学研究人员开发的一种新算法可以比以前的自动方法更自动地处理和分析图像。《自然科学报告》中描述了算法和一轮测试。

随着神经元的生长，它们延伸出称为轴突的索状附属物，这些附属物与相邻的细胞形成关键的连接。这些神经元和神经突起神经网络对健康的神经系统功能非常重要。科学家们对通过药物、电刺激或其他方式寻找鼓励神经元生长的新方法感兴趣。为了测试这些努力的有效性，科学家们在实验室培养神经元，并应用不同的治疗方法来看看它们是否能刺激生长。这通常需要在数百小时或数天内拍摄数百张神经元的显微照片。

布朗大学的工程学教授、这篇新论文的资深作者泰斯帕尔莫尔(Tais Palmore)说：“剩下的是一大堆照片。”“您需要分析从一个图像到另一个图像的变化，这可能非常困难。”

这些图像中的细节至关重要。神经过程是微小的结构，在活细胞成像过程中很难在显微镜下看到。然而，精确测量它们的长度和厚度对于评估刺激的细胞生长是非常重要的。有几种算法可以自动进行图像分析，但它们做得不好。它们通常通过观察图像中的单个像素，并应用均匀的过滤器来选择具有最高强度的像素来工作。那些高强度像素被认为是神经元和神经突起结构。

问题是显微镜图像通常质量不高，这使得很难将细胞结构与图像中可能存在的随机伪影区分开来。因此，过滤器通常包含与神经元结构无关的像素，并删除重要的像素。当测量微小的神经突起附件时，这尤其是一个问题。过滤器通常不能测量轴突生长的全部范围。

前帕尔莫实验室研究生、现为斯坦福大学博士后研究员的光-金玟希望找到一个更好的解决方案。受计算机视觉研究生、论文第一作者Kilho Son前期工作的启发，Kim开发了一种新方法，可以省去其他方法中使用的均匀滤波器。相反，一种称为神经元图像分析器(NIA)的新方法考虑了像素和相邻像素之间的关系。

“我们不仅在寻找高强度像素，”金说。“我们关注像素之间的关系信息。这样，我们就可以跟踪彼此相连的像素，这有助于我们跟踪整个神经元结构。”

算法中使用的另一种技术是使用特定的统计测试，擅长挑选圆形或椭圆形结构。该试验用于准确定位和测量体细胞，即神经元的斑点体。

使用手动图像标注作为基准，研究人员用现有算法测试了NIA。结果表明，NIA算法的准确率为人工编码的80%，而其他算法的准确率仅为50%-60%。

研究小组希望其他研究人员将使用这种新方法。该功能在缺乏复杂和昂贵设备来拍摄极高质量神经元图像的实验室中特别有用。

金说：“我们希望向任何对分析神经元图像感兴趣的人提供这种方法，无论他们的图像质量如何。”

金和森计划继续发展NIA，以进一步提高其准确性和速度。