神經(jīng)元胞體的聚類

神經(jīng)元胞體的聚類WhatWhyWhen目錄CONTENTSWhatWhyHowWhen大腦是生物體一切活動的總工程師。一個成人大腦腦內(nèi)含有上千億個神經(jīng)元，關(guān)于神經(jīng)元的研究是解開大腦之謎的重要部分。關(guān)于神經(jīng)元的形態(tài)分類已成為了一個重要的研究方向。大腦神經(jīng)元胞體小鼠胞體聚類胞體是神經(jīng)元最核心的部分，是神經(jīng)元的代謝和營養(yǎng)中心。小鼠與人有著90%的同源基因，故針對鼠腦的神經(jīng)元分類研究可以為人腦神經(jīng)元的研究奠定基礎(chǔ)。What——我們要做什么？神經(jīng)元形態(tài)分類經(jīng)神經(jīng)元一直在生長，樹突和軸突都在不停得變換，因此神經(jīng)元存在大量的形態(tài)。由于神經(jīng)元形態(tài)的復(fù)雜性和多變性，目前國內(nèi)外只有針對整個神經(jīng)元形態(tài)十分粗淺的分類研究，至今還沒有非常理想的方法適應(yīng)于神經(jīng)元的分類問題。現(xiàn)狀：本項目擬研究神經(jīng)元形態(tài)最核心的部分——神經(jīng)元胞體的分類，與神經(jīng)元整體分類的工作相比，在特征提取方面的工作難度將大大降低，有望找到一種適用于大范圍腦區(qū)甚至全腦區(qū)神經(jīng)元胞體的分類方法。新思路Why——理由一Why——理由二以往本項目■數(shù)據(jù)量小■數(shù)據(jù)種類單一■數(shù)據(jù)支持者：武漢光電國家實驗室生物醫(yī)

學(xué)光子學(xué)功能實驗室■足夠的最新的小鼠神經(jīng)元胞體圖像■提供多個小鼠腦區(qū)的神經(jīng)元胞體圖像數(shù)據(jù)支持訓(xùn)練樣本和測試樣本不足，分類方法有很大的局限性，難以適應(yīng)于更多腦區(qū)和大數(shù)據(jù)的神經(jīng)元分類。有足夠的最新的樣本，為后續(xù)模型檢驗和修正提供堅實基礎(chǔ)，使得研究結(jié)果更具實用價值。有監(jiān)督的分類方法無監(jiān)督的分類方法——聚類分類方法先根據(jù)觀察的神經(jīng)元胞體三維圖形，確定分類類別，這種參照類別只是簡單的感性認識，具有很大的主觀性，缺乏理論知識和數(shù)學(xué)模型的支持。這將給分類效果的評估帶來很大的偏差。Why——理由三以往本項目不參照任何分類標準，通過選取合適的聚類方法，找出異常的神經(jīng)元胞體，根據(jù)領(lǐng)域知識考察聚類的性能和好壞，對聚類的含義和合理性給出分析。Why——理由四價值根據(jù)聚類結(jié)果，找出異常神經(jīng)元胞體，并與病變胞體對比，分析是否發(fā)生病變。如果研究成功，可以將新方法應(yīng)用于人腦神經(jīng)元胞體的分類，找出病變神經(jīng)元。研究病變神經(jīng)元與神經(jīng)病理學(xué)的關(guān)系，為大腦情感、記憶及疾病的研究提供技術(shù)支撐。How——怎樣做？根據(jù)小鼠神經(jīng)元胞體圖像，采集胞體數(shù)據(jù)，應(yīng)用統(tǒng)計學(xué)方法進行數(shù)據(jù)預(yù)處理，提起重要的形態(tài)特征；根據(jù)提取的小鼠神經(jīng)元胞體特征，應(yīng)用模式識別及機器學(xué)習(xí)方法對神經(jīng)元胞體進行聚類；結(jié)合生物領(lǐng)域知識，對聚類結(jié)果進行性能評價，糾正錯分樣本，調(diào)整算法，確定小鼠神經(jīng)元胞體的分類標準，在大范圍腦區(qū)的神經(jīng)元胞體中檢驗，找到適用于大數(shù)據(jù)的分類算法；編寫用于各腦區(qū)神經(jīng)元分類的通用軟件包，為后續(xù)研究提供技術(shù)支持。Step1特征提取聚類檢驗編寫軟件包Step2Step3Step4How——關(guān)鍵技術(shù)一如何進行特征的準確提??？提取的特征好壞決定了聚類的質(zhì)量傳統(tǒng)方法新方法傳統(tǒng)的圖像特征提取方法不僅算法復(fù)雜，而且在這種數(shù)值轉(zhuǎn)換中，原有圖像的信息損失嚴重，導(dǎo)致后期聚類準確率不高。深度學(xué)習(xí)的興起有望解決傳統(tǒng)方法的弊端，在盡可能保留原有信息的情況下，從原始圖像中提取數(shù)值特征。本項目擬采用深度學(xué)習(xí)與傳統(tǒng)方法相結(jié)合提取特征，以期得到好的圖像數(shù)值特征。How——關(guān)鍵技術(shù)二選擇什么樣的聚類算法？聚類算法的選擇至關(guān)重要傳統(tǒng)方法新方法采用普遍的聚類算法聚類，如K-means,KNN等，這些方法的思路都是計算特征向量間的相似度，然后根據(jù)相似的樣本聚在一起的樸素思想，因而聚類結(jié)果的好壞嚴重依賴于相似度函數(shù)的構(gòu)造。這些方法忽略了特征向量在數(shù)學(xué)空間上的分布特征?；谧V聚類的方法應(yīng)用了子空間劃分方法，其核心思想是不同類的數(shù)值向量分布在不同的子空間，找到一個合適的空間劃分方法就能將數(shù)據(jù)很好的分開；已有研究結(jié)果表明，譜聚類在解決高維、復(fù)雜數(shù)據(jù)方面優(yōu)勢明顯。When——進度安排根據(jù)實驗結(jié)果，撰寫高質(zhì)量科研論文1—2篇階段五階段四階段一階段二階段三根據(jù)得到的圖像數(shù)值特征，用譜聚類方法對神經(jīng)元胞體聚類，根據(jù)聚類結(jié)果，結(jié)合生物領(lǐng)域知識，評價聚類性能，進一步優(yōu)化調(diào)整聚類算法得到好的小鼠神經(jīng)元胞體的分