BVLab-Analyzer：面向TB级全脑细胞检测、神经元重建与血管网络提取的零代码统一可视化平台

《Frontiers in Neuroinformatics》：BVLab-analyzer: a unified visual toolbox for terabyte-scale whole-brain cell detection, neuron reconstruction, and vascular network extraction

　　

BVLab-Analyzer是一款独立的图形化软件工具，用于TB（terabyte，太字节）级全脑显微图像的端到端分析。其通过零代码界面运行，在统一流程中处理数据导入（TIFF、BioImageVision、OME-Zarr）、基于深度学习的语义分割（semantic segmentation）、3D骨架重建（3D skeleton reconstruction）和形态学统计分析（morphological statistical analysis）。该软件支持三类目标结构——细胞、神经元和血管——并以标准SWC格式导出其形态学重建结果。为加速训练数据准备，Smart Annotation工具提供亚体积干扰隔离（sub-volume interference isolation）、粗血管射线追踪（coarse-vessel ray tracing）和骨架自动插值（skeleton auto-interpolation）。在推理阶段，优化的分块策略（block-wise strategies）使标准3D U-Net能够在单块消费级GPU（consumer-grade GPU）上预测最高12 TB的全脑体积，而中断-恢复引擎（interrupt-and-resume engine）确保长时间计算过程中的容错（fault tolerance）。通过整合这些功能，BVLab-Analyzer降低了全脑分析的硬件门槛，并将此前碎片化的工具链——从标注、分割到重建和定量——统一为一个可及的软件环境。

研究背景：先进光片显微镜、连续双光子断层扫描和荧光显微光学切片断层成像（fMOST）可实现哺乳动物全脑三维成像，原始体数据常达数TB至10 TB以上；结合组织透明化和c-Fos免疫荧光标记，可在单细胞分辨率绘制全脑神经元活动图谱。成像通量已非瓶颈，下游数据处理和体积定量成为核心挑战。将原始体素转化为细胞计数、轴突空间长度、血管分支密度等形态参数，需要高保真语义分割和骨架追踪作为第一步。已有工具如ClearMap、Cellfinder、DELiVR、NEATmap、TrailMap、HP-VSP、nnU-Net、Cellpose、StarDist、ilastik、Vaa3D和BigNeuron推动了该领域，但仍存在两个实际障碍：第一，现有深度学习框架处理TB级数据通常需多GPU集群或大内存企业服务器，单消费级GPU实验室难以常规部署；第二，系统神经科学中细胞胞体、神经元突起和微血管系统共同构成神经血管单元（NVU），但现有软件多专用于单一形态类型或单一处理步骤，实验室需学习多个软件、处理不兼容格式并手动桥接流程。因此，研究人员开发了BVLab-Analyzer，一个统一、零代码Windows GUI（graphical user interface，图形用户界面），在单一软件环境中集成细胞检测、神经元突起重建和血管网络提取，并在单消费级GPU上完成全部流程，衔接原始体素分割与标准化骨架重建。

研究人员开展的研究：BVLab-Analyzer基于C++和Python混合核心，Qt图形界面，PyTorch结合NVIDIA CUDA加速，编译为独立Windows可执行文件，预捆绑运行时依赖。软件含数据I/O、标注、训练、推理、后处理和统计六个核心模块，通过中心项目文件.bvproj通信，保证参数传递和容错状态恢复。数据引擎支持TIFF、BioImageVision（BV）和OME-Zarr。其采用自适应3D分块：细胞检测为272×272×144体素，神经元突起重建和血管分割为192×192×192体素。通过K-Means聚类提取灰度直方图和最大强度投影（MIP）特征，生成1000–2000簇，每簇选代表块，人工检查后选100–200个代表块稀疏标注，最终训练块数为166（细胞）、86（神经元）、120（血管）。Smart Annotation包括亚体积隔离、细胞点标注、神经元/血管骨架标注和粗血管射线投射。稀疏标注转换为体素掩膜：细胞点扩展为高斯团块，骨架轨迹与高斯核卷积为连续管状体积。所有任务共享3D U-Net主干，独立权重训练，Adam优化器，初始学习率1×10^?4，batch size为4–8，Soft Dice损失，100 epoch耐心早停，最多500 epoch。推理使用重叠滑窗和分块并行，拼接后合并拓扑。后处理中，细胞用阈值分割和连通组件标记提取胞体质心；神经元用PointTree算法连续追踪；血管用Lee 3D thinning提取中心线，结合欧氏距离变换计算管径。统计模块可批量计算细胞空间密度、神经纤维总长度、分支点数、分叉角和血管直径分布，并导出CSV（comma-separated values，逗号分隔值）。统一骨架评价框架以预测骨架点P与真值G在欧氏距离阈值τ=3体素内匹配，计算召回率、精确率和F₁-score。

关键技术方法概览：BVLab-Analyzer由C++与Python混合实现，以Qt构建独立Windows图形界面，PyTorch结合NVIDIA CUDA加速，包含数据I/O、标注、训练、推理、后处理和统计六模块。数据引擎支持TIFF、BioImageVision（BV）和OME-Zarr。其关键方法包括自适应3D分块、K-Means聚类代表块采样、Smart Annotation稀疏到密集标注转换、3D U-Net分块推理、滑窗重叠拼接、中断-恢复、PointTree神经元追踪、Lee 3D thinning血管骨架化、连通组件胞体提取及统一SWC评价。样本来源为三种全脑数据集：3.6 TB 16-bit c-Fos细胞检测、12.36 TB 16-bit GFP神经元追踪和0.47 TB 8-bit DyLight 594血管分割。

研究结果：
3.1 全脑数据描述与处理效率：三种代表性全脑数据集覆盖0.47–12.36 TB和8/16-bit成像深度，所有处理在单工作站完成，配置为一块RTX 4090 GPU（24 GB VRAM）、32核CPU、64 GB RAM和Windows 11。K-Means训练集准备耗时2–4 min，训练块86–166；单GPU训练1.9–2.8 h，GPU显存8–14 GB；全脑预测随数据量由6.3 h（0.47 TB）至129 h（12.36 TB），拼接1–36 min。中断-恢复机制在神经元数据集得到验证：运行48 h后暂停，工作站在一个工作日内用于日常办公，随后恢复预测，已完成子体积不受影响。结论是该机制可使长时推理暂停和恢复且无进度损失，同一工作站可兼顾计算密集分析与日常使用。

3.2 全脑细胞检测性能评价：在细胞分布区域异质性和信号背景强度波动显著的数据上评估。多尺度可视化显示预测细胞中心与原图细胞空间分布一致。从约10 GB独立数据块随机抽取近1000个3D图像块，漏检率低，中位精确率0.863，中位F₁-score 0.868。测试子体积16-bit灰度均值从数百到近3000呈大跨度阶梯分布，块内体素值范围波动大，算法无需复杂预处理仍保持高精度。细粒度比较中，最佳F₁=0.95，中位0.91，最差0.66，随机0.86。结论是算法在灰度动态范围波动和强背景异质性下自适应维持高检测输出，适用于真实大规模不完美显微成像数据集。

3.3 全脑神经元形态追踪性能评价：在复杂、低信噪比（SNR）、强各向异性全脑神经元数据集评估。多尺度显示预测骨架与纤维轨迹高度对应。近1000个独立测试3D子体积中，中位召回率0.893，中位精确率0.937，中位F₁-score 0.884。测试子体积16-bit灰度均值多低于100，块内体素值范围在边缘剧烈波动。细粒度比较中，最佳F₁=0.97，中位0.89，最差0.66，随机0.84。结论是算法在低对比、弱和间断纤维信号及局部强噪声下自适应捕捉连续变形和拓扑方向，支持全脑单神经元完整形态重建和神经回路定量分析。

3.4 全脑血管重建性能评价：以全脑血管数据集为基准，多尺度显示分割骨架和边界与原图复杂血管树一致。近1000个独立3D块中，中位召回率0.944，中位精确率0.866，中位F₁-score 0.899。测试子体积8-bit灰度均值多在10–30低范围，块内体素值范围相对信号明显。细粒度比较中，最佳F₁=0.93，中位0.84，最差0.51，随机0.86。结论是算法在超低对比、复杂拓扑交织和强噪声下保持高质量连续血管骨架，有利于全脑微血管连接和形态定量分析。

讨论部分总结：BVLab-Analyzer具四项核心优势：仅用单消费级GPU稳定分析最高12 TB全脑；统一GUI集成细胞检测、神经元重建和血管骨架化，避免格式不兼容和空间配准误差，支持神经形态与血管拓扑直接相关分析；Smart Annotation减少50–70%人工标注时间，K-Means采样将训练标注量降低近一个数量级；中断-恢复机制解决长时计算痛点，提高共享工作站利用率。选择独立桌面应用而非Fiji/napari插件或Web/服务器方案，是因为TB级数据上传服务器耗时且NAS读访问存在I/O瓶颈，本地NVMe SSD直读更实际；零代码可绕过Python环境和CUDA兼容问题；端到端优化依赖统一项目文件和内部状态协调。算法贡献包括聚类驱动训练集构建、稀疏到密集标注转换和结构自适应分块推理。生态定位上，通用工具单任务精度高但需用户组装流程，专用工具针对单一结构；BVLab-Analyzer以单零代码GUI集成三条流程，统一SWC输出支持跨结构相关，尤其适合神经血管耦合研究。局限包括每通道独立模型、不能分离同一通道内混合信号，仅支持静态离体啮齿动物全脑数据，不兼容动态在体成像和灵长类大脑，仅限Windows；低分异常区域需人工通过交互校对工具复核；未来将优化兼容性、增加批处理、探索跨平台，并引入不确定性估计和自适应后处理。与独立团队结果比较，本研究细胞F₁=0.868、神经元F₁=0.884、血管F₁=0.899，处于可比水平。

研究结论（翻译）：总之，BVLab-Analyzer为常规TB级全脑分析提供轻量、稳定和一体化解决方案。它降低硬件门槛，统一碎片化分析流程，减少人工标注成本，满足大多数神经科学实验室的实际需求。该开放获取GUI工具补充现有神经影像流程，促进便捷、可重复的全脑形态研究。