DeepNeuro神經追蹤工具箱 feat. Deep Learning

重建三維神經影像(神經追蹤)，對於研究神經功能極為重要。DeepNeuro這個工具箱以Deep Learning為基礎開發出多種神經追蹤模組，能處理更大量的數據量，以及更複雜的神經影像。其模組包含：1.神經軸突樹突檢測(neurite detecting) 2.區域神經連結檢測3.修剪優化神經追蹤結果 4.定量評分手動重建神經結果 5.及時分辨神經軸突樹突。

在神經追蹤時，有許多我們必須面對的挑戰：
1. 由於神經樣本通常為大腦切片，所以在進行神經軸突追蹤時，軸突看起來像不連續的片段，對於電腦運算判定是一大阻礙。
2. 影像的品質取決於:樣品製備、成像方法、細胞型態、神經的健康狀況。不同的情況使得程式所需的判定與計算更加複雜。
3. 由於顯微鏡的視野有限，所以在製備影像時會將小鼠大腦分區域照射成像，最後在拼成全腦圖像，但每一次的照射會有些微差異，使得背景亮度不一致，造成需要較多參數來調整影像以利神經追蹤。

最後給大家一個小概念，機器學習(或是深度學習)很大一部分都是在做”分類”問題，例如:這張圖”是”一隻貓或”不是”一隻貓。在神經追蹤中，一個很重要的步驟是將神經圖像做”前景/背景”的分類，前景就是我們的神經資訊，背景就是我們不要的資訊。另一個重要的分類是”神經相連/神經不相連”，使得最後重建神經時有重要的依據。

撰稿人：李堅百

引用論文：Zhou, Z., et al., DeepNeuron: an open deep learning toolbox for neuron tracing. Brain Inform, 2018. 5(2): p. 3.