用于猕猴介观脑连接研究的神经元计数方法

《IEEE Transactions on Medical Imaging》：Neuron Counting for Macaque Mesoscopic Brain Connectivity Research

精准量化定位荧光标记神经元对解析脑连接模式至关重要，但存在方法挑战和数据不足问题。本研究构建了包含1600张图像、33411个高质量神经元注释的MFN数据集，并开发了融合密集卷积和多尺度注意力模块的DAUNet模型。该模型在细胞计数（MAE=0.97）和定位（F1=96.29%）上表现优异，通过四组公开数据验证其泛化能力，成功应用于恒河猴前额叶皮层连接模式映射，为灵长类脑连接研究提供新工具。

　　

摘要：

对标记有示踪剂的神经元进行精确的定量分析和定位对于揭示大脑连接模式以及构建猕猴的中观尺度脑连接组图谱至关重要。然而，方法学上的挑战和数据集开发的局限性阻碍了这一科学进展。本研究提出了“猕猴荧光标记神经元”（Macaque Fluorescently Labeled Neurons, MFN）数据集，该数据集基于对三只恒河猴进行的逆向追踪实验获得。该数据集由六位专家精心标注，包含1,600张图像和33,411个高质量的神经元注释。利用这一数据集，我们开发了一种名为“密集卷积注意力U-Net”（Dense Convolutional Attention U-Net, DAUNet）的细胞计数模型。该模型结合了密集卷积模块和多尺度注意力机制，既具备强大的特征提取能力，又保持了较低的复杂性。在MFN数据集上，DAUNet的细胞计数平均绝对误差为0.97，细胞定位的F1分数达到96.29%，表现优于多个基准模型。通过对四个额外公开数据集的广泛验证，证明了该模型具有出色的泛化能力。此外，该模型还被应用于猕猴大脑中标记神经元的定量分析，成功绘制出了外侧前额叶皮层两个相邻亚区域的输入连接模式。这项工作为猕猴的中观尺度脑连接研究提供了训练数据集和算法资源。MFN数据集及其源代码可访问地址为：https://github.com/Gendwar/DAUnet。