基于半监督学习的神经细胞树突棘三维形态分析

Dendritic spines are functional protrusions from a neuron's dendrite, and the parts where neuron receives signals from other neuron cells. Researches on learning and memory have shown that the synaptic plasticity is highly related to spines formation, detachment, expansion, atrophy and other morphological changes, depending on the types of stimuli that are presented to a synapse. Therefore, morphological analysis of dendritic spines, including three-dimensional (3D) segmentation and morphological classification, could be reliable proof in studying synaptic plasticity. Current spine segmentation methods usually can not segment touching spines well. Meanwhile, many classification algorithms meet the problem that there are always big differences between signed dendritic spines samples. Semi-supervised learning (SSL) is a kind of new learning strategies between supervised and unsupervised learning, which makes use of both signed and unsigned samples in learning. In this proposal, we propose a set of novel segmentation and classification algorithms based on SSL, and make improvements with considering the particular structural properties of dendritic spines. The problem of insufficient signed samples could be solved based on feature selection strategies based on mutual information.Then, speed and accuracy are highly improved by applying revised SSL model in the 3D morphological analysis of dendritic spines. Generally, we improve the robustness of SSL model, and apply the algorithms to statistical classification and real-time analysis of dendritic spines morphology. This proposal provides a new way to researches on functions of dendritic spines morphology changes in neuronal signaling pathways.

树突棘是神经元树突上的功能性突起结构，是神经元接受其它细胞信号传入的部位。在学习记忆过程中，神经突触可塑性常与树突棘的形成、脱落、扩张和萎缩等形态变化相伴发生，因此包含三维分割和形态分类的树突棘形态分析是研究突触可塑性的可靠依据。现有树突棘分割算法粘连部分不易分割，且形态分类算法性能因有标记样本结构特征差异较大而受到严重限制。半监督学习（SSL）介于监督和无监督学习之间，能同时利用有标记与无标记样本进行学习，在上述问题中具有明显优势。项目率先将SSL算法引入树突棘分割及分类领域，并结合树突棘结构特点进行改进。在SSL框架下对三维重建网格分类，解决粘连树突棘分割问题，引入基于交互信息的特征选择解决有标记样本不足问题。在形态分类中引入SSL算法，提高分类速度和精度，在算法上提高SSL分类的鲁棒性，在应用上实现树突棘形态分类统计和实时分析，为研究树突棘形态变化在神经信号通路中的作用提供了新思路。

本课题主要通过研究神经细胞树突棘的图像分割和形态分类问题，进而为研究树突棘形态变化在神经信号通路中的联系提供新的思路。由于细胞粘连部分不易分割，且分类算法性能因有标记样本过少而受到严重限制，因此项目通过引入特征选择解决有标记样本不足问题，并在形态分类中引入半监督学习算法，提高分类的速度和精度，主要研究内容包括：优化了HT22海马回神经元细胞株培养步骤，保障了神经细胞树突的正常发育与生长；采用激光共聚焦成像获取高分辨率神经细胞图像；建立了包含完整神经树突与棘状突起物的三维图像数据库为神经细胞树突棘形态研究提供了有效的数据基础；基于交互信息按照对于分类结果的贡献程度对特征进行筛选；对机器学习中聚类分类方法进行了更为深入的研究，扩展了半监督学习的适用范围，确定了聚类和深度学习方法在图像像素分割和神经细胞分割分类中同样具有提高准确率的作用，取得了较好的分类效果。重要研究结果和关键数据包括：改进了细胞培养与图像采集流程，显著提高了图像信噪比和成像质量；建立了101幅高质量神经细胞图像数据库，为神经细胞树突棘形态研究提供了有效的数据基础，三种树突棘分类正确率达到91.7%；完成了将树突棘特征提取和相邻粘连树突棘分割问题转化为识别分类问题的既定目标，较好的解决了医学图像中普遍存在的分割问题，拓展了半监督学习在图像分割与多特征集分类中的应用。其中图像分割方面，在数字钼靶图像数据库BCDR上的分割正确率达到97.91%，钙化点检出率达到96.15%；特征集分类方面，在数百幅图像量级的MIAS数据库上取得了乳腺密度分类正确率83.9%。上述研究对神经细胞的培养与清晰成像有重要的参考价值，为神经细胞树突棘形态研究提供了有效的数据基础，分割与分类准确率的提高也为临床诊断决策提供了可靠依据。在实际应用中，通过图像分类方法发现的生物标记物能够在临床中有效量化检测脂肪肝与淋巴瘤等疾病，扩展了本项目所研究的机器学习方法在医学图像处理与分析中的应用前景。