一种基于稀疏分解与景深估计的神经元提取方法及装置

本发明涉及神经元提取，特别是指一种基于稀疏分解与景深估计的神经元提取方法及装置。

背景技术：

1、神经元提取是从光学显微仪器所获得的荧光钙成像图像视频数据中，提取神经元信号的空间位置及形状大小、动作电位及时序变化等特征信息。神经元提取作为关键必要环节，用于分析与阐释大尺度或介观尺度神经元细胞群所产生的生命活动及变化机理，已成为脑科学与生命科学等领域的研究热点之一。

2、针对钙成像中的神经元提取，现有的神经元提取方法主要有约束性非负矩阵分解和扩展约束性非负矩阵分解等方法。然而，上述方法迭代求解与重构复杂背景信息，需花费大量的运算时间；噪声直接影响神经元的提取性能。同时，这些方法未考虑及解决钙成像的散射问题；在数据矩阵运算中未考虑利用景深信息。因此如何构建一种去背景、去噪声、去散射和景深利用的高效神经元提取方法是本领域技术人员当前亟需解决的问题。

技术实现思路

1、本发明实施例提供了一种基于稀疏分解与景深估计的神经元提取方法及装置。所述技术方案如下：

2、一方面，提供了一种基于稀疏分解与景深估计的神经元提取方法，该方法由电子设备实现，该方法包括：

3、s1、输入原始图像视频数据；

4、s2、利用鲁棒性主成分分析方法分解输入的所述原始图像视频数据，以得到神经元信号、背景和噪声；

5、s3、计算神经元信号数据的亮暗通道先验，利用两种先验估计神经元信号数据景深对应的传输率；

6、s4、将所述神经元信号数据以像素为单位点除景深对应的传输率，构建约束性非负矩阵分解的神经元提取框架；

7、s5、求解约束性非负矩阵分解的神经元提取框架，输出神经元的提取信息，所述提取信息包括：空间位置及形状大小、动作电位和时序变化。

8、可选地，所述s2，具体包括：

9、对输入数据v中的神经元信号s和背景l进行稀疏分解，对应的目标函数表示为：

10、（1）

11、其中，和分别为核范数与l0范式，为平衡神经元信号稀疏性与背景低秩性的权重参数；

12、利用增广拉格朗日乘子法交替迭代求解s与l的目标函数：

13、固定神经元信号s，求解背景l：

14、（2）

15、其中，和分别为奇异值阈值操作和软阈值操作，a和b是奇异值阈值操作的正交矩阵，是奇异值阈值操作的阈值参数，k和分别为迭代次数和平衡权重参数，x为像素点坐标，yk为残差及噪声；

16、固定当前背景l，求解神经元信号s：

17、（3）

18、其中，为平衡权重参数；

19、更新残差及噪声y：。

20、可选地，所述s3，具体包括：

21、将神经元信号分解为一系列列向量，然后将这些列向量分别转变为一帧帧神经元信号图像，其中si为第i个神经元信号图像对应的矩阵，n为神经元信号数据的图像帧数；

22、计算每帧神经元信号图像的亮通道先验sbcp：

23、（4）

24、计算每帧神经元信号图像的暗通道先验sdcp：

25、（5）

26、其中，si含有r个通道，x为s的当前像素点坐标，是x为中心的邻近区域，y是邻近区域的当前像素点坐标；

27、在每帧神经元信号图像的亮暗通道先验基础上，估计每帧神经元信号图像的景深对应传输率m：

28、（6）

29、其中，除法运算均为像素点除操作，加入权重系数w，以避免传输率的过估计。

30、可选地，所述s4，具体包括：

31、将得到的神经元信号图像s和估计的对应景深的传输率m进行像素点除运算：

32、，i = 1, ..., n (7)

33、其中，为极小常数10-6，以避免分母趋近于0；

34、将点除运算后的全部结果表示为一系列列向量并组成一个矩阵，作为约束性非负矩阵分解的神经元提取框架的初始输入数据。

35、可选地，所述s5，具体包括：

36、s51、固定神经元的动作电位及时序变化，利用快速分层交替最小二乘算法，求解得到神经元的空间位置及形状大小；

37、s52、固定步骤s51得到的神经元的空间位置及形状大小，利用在线有效集算法，求解得到神经元的动作电位及时序变化；

38、s53、重复步骤s51-s52直到交替迭代结束，输出神经元的提取信息，所述提取信息包括：空间位置及形状大小、动作电位和时序变化。

39、可选地，所述s51，具体包括：

40、固定所有神经元的当前动作电位及时序变化，求解所有神经元空间位置及形状大小的目标函数：

41、(8)

42、其中，p为所有神经元的空间位置及形状大小，具有稀疏性和空间局部性，c为所有神经元的动作电位及时序变化，上标符号^为当前参数估计值；

43、采用快速分层交替最小二乘算法求解p的目标函数, 对c中每个神经元均进行如下运算操作：

44、(9)

45、其中，, 上标符号t为转置运算，k = 1, ..., k，k为c中所有神经元数目，迭代上述运算直至迭代结束。

46、可选地，所述s52，具体包括：

47、固定步骤s51得到的所有神经元的当前空间位置及形状大小，推断所有神经元的动作电位c及时序变化s的目标函数构建为：

48、(10)

49、其中，，，tk为神经元时间动态变化中所产生的冲击次数，具有稀疏性，g(k)为二阶回归系数，利用二阶回归过程对每个神经元的时间动态活动性进行建模；

50、采用在线有效集算法求解神经元动作电位c及时序变化t的目标函数，对每个神经元进行如下迭代运算操作：

51、（11）

52、其中，池化变量，池化长度，为g的自相关系数，更新权重，qk初始设置为，迭代此运算以求解得到神经元动作电位c及时序变化t。

53、另一方面，提供了一种基于稀疏分解与景深估计的神经元提取装置，所述装置包括：

54、输入模块，用于输入原始图像视频数据；

55、分解模块，用于利用鲁棒性主成分分析方法分解输入的所述原始图像视频数据，以得到神经元信号、背景和噪声；

56、计算模块，用于计算神经元信号数据的亮暗通道先验，利用两种先验估计神经元信号数据景深对应的传输率；

57、构建模块，用于将所述神经元信号数据以像素为单位点除景深对应的传输率，构建约束性非负矩阵分解的神经元提取框架；

58、求解模块，用于求解约束性非负矩阵分解的神经元提取框架，输出神经元的提取信息，所述提取信息包括：空间位置及形状大小、动作电位和时序变化。

59、另一方面，提供了一种电子设备，所述电子设备包括处理器和存储器，所述存储器中存储有至少一条指令，所述至少一条指令由所述处理器加载并执行以实现上述基于稀疏分解与景深估计的神经元提取方法。

60、另一方面，提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现上述基于稀疏分解与景深估计的神经元提取方法。

61、本发明实施例提供的技术方案带来的有益效果至少包括：

62、本发明提出了一种基于稀疏分解与景深估计的神经元提取方法，相比于现有的约束性非负矩阵分解及其扩展等方法，本发明方法的优点是高效地分解背景及噪声等干扰信息，快速估计神经元信号景深以去除数据散射，准确有效地提取神经元的空间位置及形状大小、动作电位和时序变化等特征信息。