脑图谱构建中的三维显微图像关节形变配准研究

3D microscopic image registration is one of the key enabling techniques in building digital brain atlases of model organisms. However, the articulated deformation which generally existed in the specific developmental stages or parts of the nerve system makes the current registration systems no longer applicable or cannot produce satisfactory registration results. This problem places a huge obstacle in the developmental neuronal atlases building and related high throughput neural circuit study..In our previous research, the clustering implementation of matching between point sets has been successfully extended to the matching between point set and image. The experimental results verified that the neighboring information and prior knowledge can be used in a more efficient way under the clustering framework. In addition, the robustness of iteration process to the initialization and noise can be greatly improved as well. This study encourages us to further extend the clustering implementation to the global and local non-rigid registration of articulated deformation. This proposal aims to study the robust clustering implementation of the matching between articulated deformation pattern and image in the global registration, and for the local registration, explore the two-way clustering mechanism between pixels/regions of subject image and that of reference image. In addition, we will also aim to search for a more efficient articulated deformation description model. Our ultimate goal is to build an efficient, robust and accurate articulated registration system. The research results of this proposal will provide solid support for the developmental neuronal atlases building and systematic neural circuit study. Hopefully, this research will blaze a new path for the general image registration.

三维显微图像配准是构建模式生物大脑神经元图谱的关键使能技术之一，然而一些模式生物在特定发育阶段或部分神经系统中普遍存在的关节形变使得现有配准系统不再适用或不能取得满意的配准结果，这极大限制了神经元发育图谱的构建及相关的高通量神经环路系统化研究。.在前期研究中，我们将点集间匹配的聚类实现模型成功扩展到点集到图像的匹配，并证实，该聚类实现可在获得邻域及先验信息更加高效利用的同时极大提高匹配过程对初始化和噪声的鲁棒性。本申请在前期基础上进一步深化创新，将该聚类实现思想扩展到关节形变图像的全局及局部柔性配准问题，研究全局配准中关节形变模式到图像匹配的鲁棒聚类实现，探讨图像局部配准的像素/区域到像素/区域双向聚类实现机制，同时构建更加有效的关节形变描述模型，最终实现高效、鲁棒和准确的关节形变配准系统。该研究成果将为神经环路研究及脑发育图谱构建提供有力支撑，同时可能为一般性的图像配准开辟一条新路。

鲁棒、准确、高效的三维显微图像关节形变配准是构建模式生物神经元发育图谱以及神经环路系统化研究的关键使能技术。在本项目的支持下，我们实现了从特征点检测、匹配、图像关节形变配准到数字地图集构建和神经元分类的一个完整流程，同时完成了相应的系统构建并取得了一系列研究成果。主要研究内容和成果包括：（1）提出并实现了一种高效、快速的图像形变算法——LittleQuickWarp，该算法在获得同TPS相近性能的前提下，可将计算速度提高2~5倍，内存消耗量降低6~20倍。该算法的提出使得后继图像全局配准和局部配准不再仅依赖于计算机集群和高性能工作站；（2）给出了生物显微图像和相关目标对象配准、分割和识别的统一配准实现框架，并证实配准方法不仅可用于解决大规模3D大脑图像的配准问题，还可以用于高效处理3D细胞图像的分割和识别问题；（3）提出了3D神经元的自动比较、获取和聚类算法并实现了相应系统——BlastNeuron，该系统不仅可准确、高效地从大规模神经元形态数据库中检索出具有相似结构的神经元，同时还可识别并标记相似的局部结构；（4）为解决局部配准中直接使用像素聚类算法运算量过大的问题，我们在稀疏表示图像分类方面也进行了积极探索，提出了一系列高效算法，包括：子模字典学习方法、综合整体稀疏和分组稀疏的识别方法以及基于核局部敏感性的分组稀疏表示方法等。（5）在特征点检测定位方面，提出了一种综合全局和局部信息的鲁棒特征点定位方法。（6）在特征点匹配方面，提出了一种基于归一化图拉普拉斯嵌入的鲁棒特征点匹配算法，有效解决了该类方法对抖动和野值敏感的问题。.本项目研究成果已以8篇英文论文形式发表在《IEEE Signal Processing Magazine》、《Methods》、《Neuroinformatics》、《IEEE Transactions on Cybernetics》、《Computer Vision and Image Understanding》等中外学术期刊和学术会议上，其中已被SCI收录5篇，EI收录3篇。综上，本项目较好地完成了计划研究任务，研究成果超出了预期目标。