ИРЭ им. В.А. Котельникова РАН English Войти Подать статью
Журнал радиоэлектроники Электронный научный журнал · eISSN 1684-1719
2012, № 7 · БИОМЕДИЦИНСКАЯ РАДИОЭЛЕКТРОНИКА

Система компьютерной реконструкции 3D-распределений нейронов на основе априорной морфологической информации и серий изображений 2D-срезов головного мозга

Ю.В. Обухов1, В.Е. Анциперов1, О.В. Евсеев1

1 ИРЭ им. В.А. Котельникова РАН, Москва, Россия
Полный текст (PDF) УДК 57.012.3; 57.081.23; 616.8 EDN PIUUSD

Аннотация

Изложены результаты разработки алгоритмов реконструкции пространственных трехмерных распределений нейронов, предварительно распознанных по микроскопическим изображениям срезов головного мозга экспериментальных животных. Рассмотрена адаптация с учетом сложившихся сегодня нейробиологических представлений известного EM-алгоритма кластеризации для выделения в срезах групп нейронов. Предложена полиномиальная межслойная аппроксимация параметров двумерных контуров групп, с помощью которой удается, как минимум, вдвое уменьшить количество срезов для трехмерной реконструкции плотности нейронов. Данные алгоритмы реализованы в разрабатываемом авторами программном комплексе построения 3D-распределений нейронов по серии изображений 2D-срезов головного мозга, который, как предполагается, станет удобным инструментом исследований в современной нейронауке, в частности, при моделировании болезни Паркинсона и позволит существенно снизить расходы на их проведения.

  • 3D реконструкция распределений
  • 2D кластеризация
  • EM-алгоритм
  • B-сплайны
Abstract (in English)

The paper presents results of the development of reconstruction algorithms of three-dimensional distributions of neurons, previously recognized by microscopic images of brain slices of experimental animals. The adaptation of the well-known EM-clustering algorithm to highlight groups of neurons in slices is considered, taking into account the prevailing today neurobiological concepts. Authors propose a polynomial interlayer approximation of the parameters of two-dimensional contours of groups. It provides reduce at least halve the number of slices for the three-dimensional reconstruction of neuronal distributions. Described algorithms are implemented in a software package developed by the authors for constructing neuronal 3D-distributions on a series of 2D-slice images of the brain. It is supposed to be a useful tool for research in present neuroscience, in particular, for problems of the modeling of Parkinson's disease, and will significantly reduce the costs of such researches.

Для цитирования

Обухов Ю.В., Анциперов В.Е., Евсеев О.В. Система компьютерной реконструкции 3D-распределений нейронов на основе априорной морфологической информации и серий изображений 2D-срезов головного мозга // Журнал радиоэлектроники. – 2012. – № 7.

Литература

  1. По данным нового доклада ВОЗ, неврологическими нарушениями страдают миллионы людей во всем мире. Брюссель/Женева, 2007. [Электронный ресурс]. Режим доступа: http://www.who.int/mediacentre/news/releases/2007/pr04/ru/
  2. R.L.Albin, А.В.Young, J.В.Penney. The functional anatomy of basal ganglia disorders. Trends Neurosci, 12. 1989. - pp. 366-75
  3. I.Gurevich, V.Beloozerov, A.Myagkov, Yu.Sidorov, Yu.Trusova. Systems of Neuron Image Recognition for Solving Problems of Automated Diagnoses of Neurodegenerative Diseases. Pattern Recognition and Image Analysis: Advances in Mathematical Theory and Applications, 21(3). 2011. - pp. 392-397.
  4. Обухов Ю.В., Анциперов В.Е. и др. Система распознавания нейронов и реконструкции их трехмерного распределения по цифровым изображения срезов черной субстанции и стриатума мозга экспериментальных животных. Сборник тезисов всероссийской конференции «Проведение научных исследований в области обработки, хранения и защиты информации». Москва, 2011. - С. 97-99.
  5. I.B.Gurevich, E.A.Kozina, A.A.Myagkov, M.V.Ugryumov, V.V.Yashina. Automating Extraction and Analysis of Dopaminergic Axon Terminals in Images of Frontal Slices of the Striatum. Pattern Recognition and Image Analysis: Advances in Mathematical Theory and Applications, 20(3). 2010. - pp. 349-359.
  6. Neal, Radford; Hinton, Geoffrey (1999). Michael I. Jordan. A view of the EM algorithm that justifies incremental, sparse, and other variants. Learning in Graphical Models (Cambridge, MA: MIT Press). 1999. - pp. 355-368.
  7. Мандель И. Д. Кластерный анализ. М.: Финансы и Статистика, 1988. С. 98‑117.
  8. Fan, Jianqing & Yao, Qiwei (2005). Spline Methods. Nonlinear time series: nonparametric and parametric methods. Springer. p. 246, 2005.
  9. Эдвард Эйнджел. Интерактивная компьютерная графика. Вводный курс на базе OpenGL, 2-е изд. - С. 438-445.
  10. Роджерс Д., Адамс Дж. Математические основы машинной графики. М.: Мир, 2001. - С. 296-310.
  11. H. Park. An Approximate Lofting Approach for B-Spline Surface Fitting to Functional Surfaces. The International Journal of Advanced Manufacturing Technology. Volume 18, Number 7 (2001), pp. 474-482.
  12. Открытые конкурсы Минобрнауки России на размещение заказов, информация о лоте, 2011. [Электронный ресурс]. Режим доступа: http://contests-mon.informika.ru/lot/8509/