神经元图像大数据的弱监督自动识别技术.pdf

第35卷第12期生命科学Vol.35,No.12

2023年12月ChineseBulletinofLifeSciencesDec.,2023

DOI:10.13376/j.cbls/2023171

文章编号：1004-0374(2023)12-1570-11

肖驰，海南大学生物医学工程学院副教授，博士生导师，海南省高层次人才。

科技创新2030“脑科学与类脑研究”重大项目子课题负责人，主持海南省自然

科学基金等项目。主要研究方向：全脑尺度神经元形态的自动识别与重建，脑构

筑成像中胞体和神经纤维的自动提取与分析。研究成果发表在Nature

CommunicationsBriefingsinBioinformaticsComputerMethodsandProgramsin

、、

Biomedicine等国际期刊。

神经元图像大数据的弱监督自动识别技术

1112,311*

黄港华，韩辉，郭健峰，李安安，骆清铭，肖驰

(1海南大学生物医学工程学院，海南省生物医学工程重点实验室，海口570228；2华中科技大学武汉

光电国家研究中心，BrittonChance生物医学光子学研究中心，武汉430074；3华中科技大学苏州脑空

间信息研究院，中国医学科学院多模态跨尺度神经信号检测与成像创新单元，苏州215125)

摘要：在介观尺度上，小鼠大脑图像的数据量可达到10TB量级，人脑数据量则达到惊人的几十PB，从

海量脑图像数据中识别和分析神经元的形态是一项复杂且具有挑战的任务。当前研究人员提出了基于传统

机器学习和深度学习的神经元识别算法，其中传统机器学习方法存在迁移、泛化能力较差的问题，基于深

度学习的算法虽然可以通过海量精确标注的训练数据提高模型的泛化性，但缺乏精确且丰富的图像标记数

据集，因此同样存在过拟合和泛化能力弱等问题。本文提出了一种基于深度学习的弱监督神经元识别方案，

仅需要少量有标注的数据，即可通过迭代策略获取海量神经元图像的精确识别结果，具备较强的泛化能力，

并最大限度减少人工参与量。该方法在fMOST、BigNeuron等数据集上进行了实验，自动识别精度F1值

分别为0.9247和0.8318，优于其他对比的神经元识别算法。

关键词：弱监督学习；深度学习；神经元识别；迭代式学习

A

中图分类号：Q811.4；TP181文献标志码：

Weaklysupervisedautomaticrecognitiontechnologyforneuronimagebigdata

1112,311*

HUANGGang-Hua,HANHui,GUOJian-Feng,LIAn-An,LUOQing-Ming,XIAOChi

(1KeyLaboratoryofBiomedicalEngineeringofHainanProvince,SchoolofBio