《基於半監督學習的神經細胞樹突棘三維形態分析》是依託福建師範大學，由時鵬擔任項目負責人的青年科學基金項目。
基本介紹
- 中文名：基於半監督學習的神經細胞樹突棘三維形態分析
- 項目類別：青年科學基金項目
- 項目負責人：時鵬
- 依託單位：福建師範大學
項目摘要,結題摘要,
項目摘要
樹突棘是神經元樹突上的功能性突起結構，是神經元接受其它細胞信號傳入的部位。在學習記憶過程中，神經突觸可塑性常與樹突棘的形成、脫落、擴張和萎縮等形態變化相伴發生，因此包含三維分割和形態分類的樹突棘形態分析是研究突觸可塑性的可靠依據。現有樹突棘分割算法粘連部分不易分割，且形態分類算法性能因有標記樣本結構特徵差異較大而受到嚴重限制。半監督學習（SSL）介於監督和無監督學習之間，能同時利用有標記與無標記樣本進行學習，在上述問題中具有明顯優勢。項目率先將SSL算法引入樹突棘分割及分類領域，並結合樹突棘結構特點進行改進。在SSL框架下對三維重建格線分類，解決粘連樹突棘分割問題，引入基於互動信息的特徵選擇解決有標記樣本不足問題。在形態分類中引入SSL算法，提高分類速度和精度，在算法上提高SSL分類的魯棒性，在套用上實現樹突棘形態分類統計和實時分析，為研究樹突棘形態變化在神經信號通路中的作用提供了新思路。
結題摘要
本課題主要通過研究神經細胞樹突棘的圖像分割和形態分類問題，進而為研究樹突棘形態變化在神經信號通路中的聯繫提供新的思路。由於細胞粘連部分不易分割，且分類算法性能因有標記樣本過少而受到嚴重限制，因此項目通過引入特徵選擇解決有標記樣本不足問題，並在形態分類中引入半監督學習算法，提高分類的速度和精度，主要研究內容包括：最佳化了HT22海馬回神經元細胞株培養步驟，保障了神經細胞樹突的正常發育與生長；採用雷射共聚焦成像獲取高解析度神經細胞圖像；建立了包含完整神經樹突與棘狀突起物的三維圖像資料庫為神經細胞樹突棘形態研究提供了有效的數據基礎；基於互動信息按照對於分類結果的貢獻程度對特徵進行篩選；對機器學習中聚類分類方法進行了更為深入的研究，擴展了半監督學習的適用範圍，確定了聚類和深度學習方法在圖像像素分割和神經細胞分割分類中同樣具有提高準確率的作用，取得了較好的分類效果。重要研究結果和關鍵數據包括：改進了細胞培養與圖像採集流程，顯著提高了圖像信噪比和成像質量；建立了101幅高質量神經細胞圖像資料庫，為神經細胞樹突棘形態研究提供了有效的數據基礎，三種樹突棘分類正確率達到91.7%；完成了將樹突棘特徵提取和相鄰粘連樹突棘分割問題轉化為識別分類問題的既定目標，較好的解決了醫學圖像中普遍存在的分割問題，拓展了半監督學習在圖像分割與多特徵集分類中的套用。其中圖像分割方面，在數字鉬靶圖像資料庫BCDR上的分割正確率達到97.91%，鈣化點檢出率達到96.15%；特徵集分類方面，在數百幅圖像量級的MIAS資料庫上取得了乳腺密度分類正確率83.9%。上述研究對神經細胞的培養與清晰成像有重要的參考價值，為神經細胞樹突棘形態研究提供了有效的數據基礎，分割與分類準確率的提高也為臨床診斷決策提供了可靠依據。在實際套用中，通過圖像分類方法發現的生物標記物能夠在臨床中有效量化檢測脂肪肝與淋巴瘤等疾病，擴展了本項目所研究的機器學習方法在醫學圖像處理與分析中的套用前景。
