2022年10月27日，廣東省智能科學與技術研究院（以下簡稱廣東省智能院）王宜敏實驗室（神經網絡數據計算與可視化組）與上海大學朱曉強實驗室及英國伯恩茅斯大學在神經信息學領域知名期刊《神經信息學前沿》（Frontiers in Neuroinformatics）在線發表題為“Robust quasi-uniform surface meshing of neuronal morphology using line skeleton-based progressive convolution approximation”的研究論文。該論文提出了使用漸進式卷積逼近的方法生成神經元形態結構數據的表面網格模型。
基于線骨架的神經元形態結構表面網格模型生成
由于神經元通常具有不規則且復雜的結構，創建高質量的神經元形態數據的多邊形網格表示，并進一步進行神經元數據可視化和一系列模擬工作，是一項重要但頗具挑戰的工作。本文發展了一種新的方法從神經元形態數據的骨架-半徑表示來構建一個水密的三維網格模型。在神經元骨架數據的驅動下，文章借鑒數字雕刻的方式，采用漸進式的方法對一個初始胞體模型進行形變，從而重構出神經元的表面模型。為了高效地進行表面變形計算，文章采用了局部映射的思想，使得只有在當前骨骼的影響區域(ROI)內的頂點才需要被更新。ROI由卷積核確定，并沿著神經元骨架進行卷積從而產生平滑整體曲面的勢能場。在整個演化過程中，網格模型的質量由一系列準規則操作確保，包括分割過長邊、退化過短邊、沿切平面優化頂點分布以產生規則的三角形。此外，結果網格上的頂點密度由神經元局部的半徑和曲率決定，以實現自適應性。
漸進式的網格生成過程
基于此方法，研究人員開展了大量的神經元表面模型生成實驗，并與CTNG、Neuroize、NeuroTessMesh、AnaMorph等先前方法進行了對比。通過實驗發現，本文的方法具有更高的穩定性和有效性、同時結果數據具有更高的模型質量。
上海大學朱曉強副教授為本文第一作者，廣東省智能院王宜敏研究員為論文的通訊作者。該項工作得到了廣東省高水平創新研究院項目、廣東省重點領域研發計劃、國家自然科學基金、上海市自然科學基金等多項基金的支持。
文章鏈接：https://doi.org/10.3389/fninf.2022.953930
