Kotelnikov Institute of Radio Engineering and Electronics of RAS Русский Sign in Submit a paper
Journal of Radio Electronics Online scientific journal · eISSN 1684-1719
2012, № 7 · BIOMEDICAL RADIO ELECTRONICS

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

I.V. Obukhov1, V.E. Antsiperov1, O.V. Evseev1

1 Kotelnikov IRE RAS, Moscow, Russia
Full text (PDF) UDC 57.012.3; 57.081.23; 616.8 EDN PIUUSD

Abstract

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.

  • 3D distributions reconstruction
  • 2D clustering
  • EM-algorithm
  • b-splines
Аннотация (на русском)

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

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.

For citation

Obukhov I.V., Antsiperov V.E., Evseev O.V. Система компьютерной реконструкции 3D-распределений нейронов на основе априорной морфологической информации и серий изображений 2D-срезов головного мозга // Journal of Radio Electronics. – 2012. – No. 7.

References

  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/