清华大学学报(自然科学版) 2010年第50卷第3期
CN 1122223/N J Tsinghua Univ (Sci &Tech ) , 2010, Vol. 50, No. 331/40
4462449
显微图像中神经元树突和树突棘的检测
黄 悦, 胡广书
(清华大学生物医学工程系, 北京100084)
摘 要:为了快速检测显微图像中神经元的树突以及树突上的神经棘, 改进了探索跟踪算法, 利用改进的匹配模板在目标内部直接检测每个中心线点的位置和方向。并以获取的中心线为初始边缘, 用Level Set 算法获取神经元树突和树突棘的边缘。该方法计算时间较短, 能够检测神经元树突和神经棘的形态特征, 可以作为观察海马区神经细胞的辅助工具。
关键词:树突; 树突棘; 显微图像处理; 中心线提取; Level
Set 算法
此项技术也为研究神经棘与神经退行性疾病的关系
提供了更有力的证据。但是, 所得图像存在高噪声、灰度不均等缺点, 如何正确地提取树突骨架以及检测树突棘形态成为亟待解决的问题。目前, 检测树突棘的图像处理方法还不多, 有文献采用阈值法获取二值图像, 再利用形态学算子获取中心线[426]; Fan 等提出了管状物体骨架检测法(curvilinear detector , CD ) 结合Level Set 算法提取树突棘目标, 但此算法需要检测图像中每个像素是否属于中心线, 存在运算量大的缺点[729]。
本文按照Fan 等提出的流程图, 采用一个改进的探索跟踪(exploratory t racing , ET ) 算法替代原有的中心线提取算法, 以获得树突以及树突棘的骨架。本算法相比于基于CD 的Level Set 算法减少了计算时间。
中图分类号:R 74
文章编号:100020054(2010) 0320446204
文献标识码:A
Dendrite tracking and dentritic spine detection in microscope images
H UANG Y ue , H U G uangshu
(Dep artment of Biomedical E ngineering , Tsinghu a U niversity ,
B eijing 100084, China)
Abstract :An exploratory tracing met hod was developed to detect dendrite and dentritic spines in microscope images. The system uses modified templates to extract t he centerlines of dendrites and dendritic spines directly. A Level Set algorit hm is used to detect t he boundaries after t he original contour is defined by t he centerline. The met hod uses less computational time to efficiently identity t he dendrite morphology. The met hod is a useful tool for observing neurons in t he hippocampus.
K ey w ords :dendrite ; dendritic spine ; microscopy image processing ;
centerline extraction ; Level Set algorit hm
1 动物模型和图像采集
动物模型及图像采集来自于美国波士顿的Massachusett s General 医院的神经退行性疾病研
究所以及美国休斯顿的Met hodist 医院研究所。本实验的动物模型采用的是转基因Tg2576小鼠, 该小鼠广泛运用于阿尔茨海默症的研究。麻醉后的小鼠被开颅后置于多光子显微镜下进行成像, 设备是Olymp us Optical BX50WI 显微镜(奥林巴斯公司, 东京, 日本) 。Tara 等详细描述了该动物实验的步骤[10]。图像的分辨率为0. 6μm/像素。
树突棘是神经细胞树突分支上的棘状突起, 对神经细胞之间传递信息起着重要的作用[1]。实验研究表明, 树突棘的丢失以及形态变化广泛出现在神经退行性疾病, 例如阿尔茨海默症(Alzheimer πs disease , AD ) 的神经细胞中[223]; 因此, 检测树突棘数目并研究其形态变化对于研究神经退行性疾病的病因有重要作用。活体神经细胞成像技术的发展, 使得科研人员实时观察神经棘动态变化成为可能。
2 算法原理
2. 1 新匹配模板的设计
ET 算法采用模板匹配法, 先检测出神经突的
边界, 再通过边界的位置获得神经突中线位置, 同
收稿日期:2009210220
) , 女(汉) , 福建, 博士研究生。作者简介:黄悦(1983—
通讯作者:胡广书, 教授, E 2mail :hgs 2dea @tsinghua. edu. cn
黄 悦, 等: 显微图像中神经元树突和树突棘的检测时, 通过边界点的方向确定中心点的方向[11]。而在本文的图像中, 有的树突棘附着于树突边缘上, 若仍采用传统的ET 方法, 中心线点的方向和坐标检测会出现偏差, 例如方向偏向生长神经棘的一侧。所以, 本文引入新的匹配模板来检测神经突中心线。图1给出了置于零度方向的新模板, 其长为6像素, 宽为5像素, 模板内每个元素的值如图中所示。其他角度的模板可以由图1所示模板旋转得到
。
图1 新的匹配模板
2. 2 Level Set 算法
Li 等在文献中详细阐述了一种改进的Level Set 算法[11], 该方法在背景灰度不均的图像中, 也能
够较好得提取目标边缘。该算法能量函数ε由式(1) 定义:N
ε=
(x -y ) |I (y ) -b (x ) c i |2
d y d x.
i 6=1
∫
ΩK i
(1)
其中:N 是图像中待分割目标的个数, 在本文中N =2; I 为原始图像; b 是灰度偏差函数; K 是Gauss 核函数, K (u ) =
exp (-|u |2/2
σ2a
) , a 是一个常数并使
∫
K (u )
=1条件满足; c i 是每个目标的
灰度均值; Ωi 是图像中第i 个目标区域。Level Set
函数Φ=(
(1) 可以被改写为
ε(
N
K (x -y ) |I (y ) -b (x ) c i |2
M i (Φ(y ) ) d y d x.
i 6=1∫
(2)
N
其中
M i (Φ
) =1。ε(
=1
一个微分式, 即9t =-9
, b 和c i 可以通过不断迭
代求出。本文将树突与神经棘看作一个目标, 所以在公式(2) 中N =2, 公式(2) 可改写为
447
ε(
62
∫
K (x -y ) |I (y ) -b (x ) c i |2
M i (
i =1
(3)
其中:
M 1[
2[
2
1+πarctan
ε, ε=1.
3 实际应用
3. 1 图像增强
首先采用形态学算子对图像进行预处理, 增强
图像对比度。
J =I +T H (I , s ) -B H (I , s ) .
(4)
其中:
I 为原始图像, J 为增强后的图像, s 是半径
为10的圆盘算子, T H (・
) 和B H (・) 分别表示Top 2hat 和Bottom 2hat 变换。图2是增强前后的图像对比。
图2 原始图像和增强后图像的对比
3. 2 树突及树突棘中心线提取3. 2. 1 起始点的选取
中心线初始点的选取采用Zhang 等提到的方法, 即先用搜索局部最大灰度值的方法粗略定位每条中心线起始点的位置, 再从这些点出发, 估算其对应边界点的坐标, 最后准确定位每条中心线的起始点和起始点的方向[728]。
3. 2. 2 利用新模板确定每个已知中心点的方向
2. 1节中设计的模板被用于确定每个已知中心
线点的方向, 其步骤如下:
1) 定义候选方向。先给定16个候选方向, 记
为d i , i =1, 2, …, 16, 并将图1中的模板按这16个方向进行旋转, 得到16个匹配模板, 记为T pd i , 下
448清华大学学报(自然科学版) 2010,50(3)
标p 表示待测中心点, d i 表示某个特定的方向[7]。
2) 确定待匹配区域I p 。I p 定义为已知中心点p 的邻域, 其形状大小与2. 1节中定义的模板一致, 且p 位于I p 区域的左侧边缘中心点处。每个中心点有16个待匹配区域, 这是为了与匹配模板相对应, 记为T pd i , 下标p 、d i 的定义同步骤1) 。
3) 确定每个中心线的粗略位置。每个中心线点的位置由其上一个中心线点的位置和方向确定, 即c i =c i -1+d i -1u d 。其中:c i -1是已知中心点; c i 是待预测的中心点; d i -1为点c i -1的方向; u d 是跟踪步长, 在本文中为2个像素。
4) 确定c i 的方向。对c i 在每个方向上均可得
R pd i =
6
T pd i I pd i , 即获得一个1×16的向量R p =
[R pd 1, …, R pd 2]; 继而可得d e =arg d max (R p ) , 并定
e
义d s 为垂直于d e 的方向。从c i 出发, 沿着d s 及其
反方向各搜索到3个像素, 这6个像素和c i 可定义为c sj , j =1, 2, …, 7。对于每个c sj 都计算其R p 向量, 可获得一个响应矩阵R , 其元素r c sj d i 表示像素
c sj 在方向d i 上的模板响应, 此时中心点的位置和方
向即由下面2式确定
[c sj , d i ]=arg c max , d (R ) ,
(5) sj i
max R >C thr .
(6)
其中C thr 为预先设定的阈值。3. 2. 3 中心线跟踪
每条中心线从3. 2. 1所定义的起始点出发, 按
照3. 2. 2中阐述的算法, 确认下一点的中心线点。当某中心线点c e 满足下列条件, 该条中心线的跟踪步骤停止:
1) 像素c e 的16邻域内有已确认为中心线
的点;
2) 因为c e 无法满足式(5) 而无法确认c e 的方向;
3) c e 已到达图像边缘。3. 2. 4 神经棘生长点的检测
由3. 3节得到了一组中心线, 对每条中心线的终点e i , i 为第i 条中心线, 选定一个半径为r 的圆形搜索范围, 如图3所示。在这个邻域内, 搜索符合下面条件的点b i :
1) b i 是一个中心线点; 2) b i 在e i 的方向上。若存在这样的点b i , 将e i 与b i 连接起来[6]。连接过程中, 若检测到某一个像素的灰度值低于事先
设定的阈值T e , 则连接过程停止。图4给出了神经突及其神经棘的中心线的提取结果
。
图3
神经棘生长点的检测示意图
图4 本文算法和手工描绘结果的比较
3. 3 Level Set 提取神经突及神经棘的轮廓
用2. 2中讨论的Level Set 算法进行目标轮廓提取。初始轮廓
。
图5 树突和树突棘检测的最终结果
4 本文算法与原算法的比较
将本文提出的Level Set 算法和基于CD 的
黄 悦, 等: 显微图像中神经元树突和树突棘的检测Level Set 算法分别应用于3幅344×426像素的图
像, 计算时间如图6所示。由图6可见, 本文的算法的计算时间明显少于基于CD 的算法
。
图6 基于CD 的Level Set 算法和本文的
Level Set 算法计算时间比较
5 结 论
本文改进了已有的小鼠海马区神经细胞树突和树突棘的图像处理方法。首先将原有的中心线提取方法换成基于探索跟踪算法, 用一个新的模板定义中心线的方向, 跟踪获取神经元树突和神经棘的中心线; 其次, 以检测的中心线为初始轮廓, 使用一种改进的Level Set 算法检测树突和神经棘的边界。此方法比基于CD 的Level Set 算法节省了计算时间, 为进一步观察老鼠海马区神经细胞随时间的动态变化提供了辅助工具, 也可作为证明AD 转基因老鼠海马区神经元功能异常的有力证据。致谢 感谢美国休斯顿德州医疗中心The Met hodist 医院研究所Xiaobo ZHOU 博士以及美国波士顿Massachusett s General 医院神经退行性疾病研究中心提供图像数据。
参考文献 (R eferences)
[1]
Knafo S , Alonso 2Nanclares L , G onzalez 2Soriano J , et al. Widespread changes in dendritic spines in a model of
Alzheimer πs disease [J].C ereb Cortex , 2009, 19(3) :5862592.
449
[2]
Knobloch , M , Mansuy M. Dendritic spine loss and synaptic alterations in Alzheimer πs disease [J].Mol N eurobiol , 2008, 37(1) :73282. [3]
Sugiura H , Tanaka H , Takemiya T , et al. Transducing neuronal activity into dendritic spine morphology :New roles for p38MAP kinase and N 2cadherin [J].Neuroscientist , 2009, 15(1) :902104. [4]
Mosaliganti K , Janoos F , XU X , et al. Temporal matching of dendritic spines in confocal microscopy images of neuronal tissue
sections
[C]//L NCS 4190:
Proceedings of
t he
International Conference on Medical Image Computing and
Computer Assisted Intervention (MICCAI ) , 2006:1062113. [5]
K oh I Y , Lindquist W B , Nimchinsky E A , et al. An image analysis algorit hm
for
dendritic
spines
[J].
Neural
Com p utation , 2006, 14(6) :128321310.
[6]
XION G Guanglei , ZHOU Xiaobo , Lipinski Marta , et al. Automated neurite labeling and analysis in fluorescence microscopy images
[J].
Cytomet ry
Part
A ,
2006,
69:4942505.
[7]ZHAN G Y ong , ZHOU Xiaobo , Lipinski Marta , et al. Automated neurite extraction using dynamic programming for high 2t hroughput screening of neuron 2based assays [J].Neuroi mage , 2007, 35(4) :150221515.
[8]ZHAN G Y ong , ZHOU Xiaobo , Lipinsk Marta , et al. A novel tracing algorit hm for high t hroughput imaging screening of neuron 2based assays [J].J N eurosci Met hods , 2007, 160(1) :1492162.
[9]FAN Jing , ZHOU Xiaobo , Dy G J , et al. An automated pipeline for dendrite spine detection and tracking of 3D optical microscopy neuron images of in vivo mouse models [J].
Neuroinf ormatics , 2009, 7(2) :1132130.
[10]Spires T L , Meyer 2Luehmann M , Stern E A , et al. Dendritic
spine abnormalities in amyloid precursor protein transgenic mice demonstrated by gene transfer and intravital multiphoton microscopy [J].J N eurosci , 2005, 25(31) :727827287. [11]Al 2K ofahi K A , Lasek S , Szarowski D H , et al. Rapid
automated t hree 2dimensional tracing of neurons from confocal image stacks [J].I E E E T rans I nf Technol B iomed , 2005, 6(2) :1712187.
[12]L I Chunming , HUAN G Rui , DIN G Zhaohua , et al. A
variational level set approach to segmentation and bias
correction of images wit h intensity inhomogeneity [C]//LNCS
5242:
Proceedings
of
t he
International
Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI ) , 2008:108321091.