2022年10月27日，江門市新會區威信高技術科學研究所（以下(xià)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(dà)學朱曉強實驗室及英國伯恩茅斯大(dà)學在神經信息學領域知(zhī)名期刊《神經信息學前沿》（Frontiers in Neuroinformatics）在線發表題爲“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(shēng)成神經元形态結構數據的表面網格模型。

基于線骨架的神經元形态結構表面網格模型生(shēng)成

由于神經元通常具有不規則且複雜(zá)的結構，創建高質量的神經元形态數據的多邊形網格表示，并進一(yī)步進行神經元數據可視化和一(yī)系列模拟工(gōng)作，是一(yī)項重要但頗具挑戰的工(gōng)作。本文發展了一(yī)種新的方法從神經元形态數據的骨架-半徑表示來構建一(yī)個水密的三維網格模型。在神經元骨架數據的驅動下(xià)，文章借鑒數字雕刻的方式，采用漸進式的方法對一(yī)個初始胞體(tǐ)模型進行形變，從而重構出神經元的表面模型。爲了高效地進行表面變形計算，文章采用了局部映射的思想，使得隻有在當前骨骼的影響區域(ROI)内的頂點才需要被更新。ROI由卷積核确定，并沿着神經元骨架進行卷積從而産生(shēng)平滑整體(tǐ)曲面的勢能場。在整個演化過程中(zhōng)，網格模型的質量由一(yī)系列準規則操作确保，包括分(fēn)割過長邊、退化過短邊、沿切平面優化頂點分(fēn)布以産生(shēng)規則的三角形。此外(wài)，結果網格上的頂點密度由神經元局部的半徑和曲率決定，以實現自适應性。

漸進式的網格生(shēng)成過程

基于此方法，研究人員(yuán)開(kāi)展了大(dà)量的神經元表面模型生(shēng)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(dà)學朱曉強副教授爲本文第一(yī)作者，廣東省智能院王宜敏研究員(yuán)爲論文的通訊作者。該項工(gōng)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