【摘要】 近年来，生物组织连续切片的体积重建引起了神经科学界的广泛关注。

Shu[1]等人提出了一种新的非迭代算法来同时估计串行切片图像的最优刚性变换，这是对生物组织串行切片进行体积重建的关键组成部分。为了避免现有算法引起的误差积累和传播，他们增加了一个额外的条件:第一段和最后一段图像的位置保持不变。这种受限的同时注册问题以前还没有得到解决。他们的解是非迭代的；因此，它可以在短时间内同时计算大量连续切片图像的刚性变换。结果表明，该算法在理想条件下得到最优解，在非理想条件下具有较强的鲁棒性。此外，他们通过实验表明，他们的算法在速度和准确性方面优于最先进的方法

 

近年来，生物组织连续切片的体积重建引起了神经科学界的广泛关注。然而，由于切片引起的畸变，显微图像配准是一个关键问题，其目的是恢复连续切片的三维连续性。

 

针对连续切片图像，提出了几种三维配准方法；然而，由于只能从相邻的切片图像中提取可靠的对应关系，这些方法总是选择其中一个切片图像作为参考，然后对每对相邻图像依次进行前向或后向图像配准。这些顺序方法虽然减轻了三维配准的难度，但也引入了误差的积累和传播。此外，它们都有较高的耗时，不适合同时配准大量的切片图像。

 

图1 提取的对应的一个例子(用红点标记)。[1]

 

通过在切片前对样品的上下表面进行拍照，可以确定第一个和最后一个切片图像的正确位置。假设第一个和最后一个切片图像的位置已经正确调整，如果可以同时估计剩余切片图像的最优变换，则不会累积或传播误差。因此，可以合理地认为，在第一和最后一节图像位置固定的条件下，可以实现串行节图像的同时配准。这种受限的同步注册问题是全新的，以前还没有解决过。

 

为了解决上述问题，他们提出了一种新的非迭代方法，在保持第一个和最后一个切片图像位置不变的情况下，同时估计串行切片图像的最优刚性变换。证明了该算法在理想条件下可以得到最优解。此外，即使在非理想情况下，通过实验表明，他们的方法对噪声仍然具有很强的鲁棒性。最后，他们方法在速度和准确性方面都优于现代体积重建任务中广泛使用的最先进的方法。

 

图2 对斑马鱼扫描电镜数据的实验结果。[1]

 

近年来，序列分段配准工作取得了巨大进展;使用现有的方法可以恢复生物组织的光滑和连续结构。在生物学研究中，由于刚性转换尽可能地保留了样品的形态结构，研究人员集中在刚性配准技术上。建立了一个全局优化问题，但大多数方法都是迭代求解，可能会得到次优解。二维图像配准方法来源于双向弹性b样条模型，同样也只适用于短序列。弹性法在原始图像序列上建立弹性弹簧网格，然后用弹簧将块匹配检测到的每对对应连接起来。所有的弹簧将协同工作，将部分“拖”向全局对齐。迭代求解全局配准问题，得到最终的非线性空间变换。随着深度学习的快速发展，空间变压器网络被用于估计图像之间的空间变换以进行图像配准。同时，一些现成的用于光流估计的卷积神经网络模型。与传统方法类似，它们仍然选择一张图像作为参考，并在序列上顺序对齐图像，因此不可避免地存在误差传播和积累。

 

[1] Shu, C.; Li, L.-L.; Li, G.; Chen, X.; Han, H. A Noniterative Simultaneous Rigid Registration Method for Serial Sections of Biological Tissues. Appl. Sci. 2020, 10, 1156.

 

科学指南针充分发挥互联网技术和业务优势，在国内率先打造出业界领先的线上化、数字化的科研服务基础设施，在行业内首创用户自主下单、服务全流程追踪、测试“云现场”等模式，进一步提高了大型科学仪器设施开放共享和使用效率，以实际行动助力科技创新。现已发展成为中国专业科研服务引领者，已获得检验检测机构资质认定证书（CMA）、实验动物使用许可证、“ISO三体系认证”等专业认证。

 

免责声明：部分文章整合自网络，因内容庞杂无法联系到全部作者，如有侵权，请联系删除，我们会在第一时间予以答复，万分感谢。