Nature Methods | 东南大学彭汉川等开发新平台，用于对光学显微镜数据集中自动追踪神经元的算法性能进行基准测试和预测

神经元形态的量化是定义神经元类型、评估神经元发育和衰老变化、确定脑部疾病和治疗效果以及为神经元计算提供重要参数的重要过程。然而，尽管研究人员已经开发了近40年的全自动神经元重建方法，量化神经元树的三维结构仍然是一个挑战。

2023年4月17日，东南大学彭汉川、美国乔治梅森大学Giorgio A. Ascoli、澳大利亚新南威尔士大学Erik Meijering共同通讯在Nature Methods（IF=48）在线发表题为“BigNeuron: a resource to benchmark and predict performance of algorithms for automated tracing of neurons in light microscopy datasets”的研究论文，该研究开发了一种开放的社区基准测试平台，用于对光学显微镜数据集中自动追踪神经元的算法性能进行基准测试和预测。该研究报告了为可用成像数据集的子集生成的金标准手动注释，并为35种自动跟踪算法量化跟踪质量。生成这样一个手工策划的多样化数据集的目标是推进跟踪算法的开发，并实现可泛化的基准测试。与图像质量特征一起，该研究将数据汇集在一个交互式Web应用程序中，使用户和开发人员能够执行主成分分析、T分布随机邻居嵌入、相关和聚类、成像和跟踪数据的可视化，以及在用户定义的数据子集中对自动跟踪算法进行基准测试。

图像质量指标解释了数据中的大部分差异，其次是与神经元大小相关的神经形态特征。该研究观察到不同的算法可以提供互补的信息以获得准确的结果，并开发了一种迭代组合方法并生成共识重建的方法。获得的共识树提供了神经元结构基本真相的估计值，通常优于噪声数据集中的单一算法。在特定的成像条件下，特定的算法可能优于共识树策略。最后，为了帮助用户在没有人工注释的情况下预测最准确的自动跟踪结果，该研究使用支持向量机回归来预测给定图像体积和一组自动跟踪的重建质量。

虽然基于三维（3D）显微镜成像数据集的神经元树结构的自动重建有望成为计算机的可行任务，但过去几十年的经验强调了这一挑战的难度。显微镜数据集的动物物种、发育阶段、大脑位置和图像质量的多样性意味着，在小图像集上表现出色的算法在应用于不同条件下获得的图像体积时不能很好地泛化。

标记、组织制备和成像技术的进步使得单个实验室和大型脑科学项目能够生成越来越大的用于单个神经元重建的荧光显微镜数据集。已经开发了几种自动跟踪算法，各个小组主要关注他们自己的数据集来解决应用自动神经元跟踪的挑战。提高标记和成像质量是简化自动重建任务的关键，但由于仍然需要专家的手动校正和微调，瓶颈仍然存在。

神经元形态的忠实注释与估计大脑区域之间的潜在连通性有关。当全脑建模技术依赖于基于注释数据的神经元群体的合成生成时，这一点尤其重要。跟踪过程中的伪影会导致树拓扑结构的改变，导致在建模神经元网络时信号集成和传输的模拟不可靠。了解可用算法的性能，以及它们如何与不同成像数据集的特定特征相匹配，对于实现全自动神经元跟踪至关重要。

跟踪算法使用中的两个常见问题是，标记和成像技术之间的成像质量不同，并且可用算法的列表不断增加，使系统和快速地测试它们对特定任务的适用性变得复杂。类似地，算法开发人员缺乏用于基准测试的标准图像集。DIADEM挑战赛就是一个成功的标准化基准测试的例子。然而，在研究图像质量特征的相关性时，测试的数据集的多样性是有限的。

BigNeuron项目概述以及社区如何与之交互（图源自Nature Methods ）

该研究设计了BigNeuron项目来应对这些挑战，并就如何使用和改进自动神经元跟踪工具达成共识。该研究总结了其完成后达到的目标，包括收集和共享社区贡献的、多样化的和广泛的3D神经元成像数据集，为选定的图像子集提供金标准注释。作为bench测试的参考，为开发自动跟踪算法组织协作事件，提供了一个针对金标准重建对标算法的平台，整合了所获得的知识，以提高自动重建方法的可访问性、准确性和效率。最后，提供了一个工具，根据研究结果在外部数据集中建议最合适的自动跟踪算法。

原文链接：

https://www.nature.com/articles/s41592-023-01848-5

转自：“iNature”微信公众号

如有侵权，请联系本站删除！