寻找刺激神经元生长的方法的科学家们可以花费大量时间来仔细分析培养皿中生长的细胞的显微镜图像。布朗大学研究人员开发的一种新算法比以前的自动化方法更自动化地处理和分析图像。该算法和一轮测试在《自然科学报告》中进行了描述。

随着神经元的生长，它们会延伸出称为神经突的弦状附属物，这些附属物与相邻细胞形成关键连接。这些神经元和神经突神经网络对于健康的神经系统功能至关重要，科学家对寻找通过药物，电刺激或其他方式鼓励神经元生长的新方法感兴趣。为了测试这些努力的效果，科学家在实验室中培养神经元，并应用不同的治疗方法以观察它们是否刺激生长。这通常需要在数百小时或几天的时间内拍摄数百张神经元的显微镜照片。

布朗的工程学教授，新论文的资深作者塔伊斯·帕尔马洛(Tayhas Palmore)说：“剩下的就是那堆巨大的照片。” “您需要分析从一幅图像到另一幅图像的变化，这可能非常艰巨。”

这些图像中的细节很关键。神经突是微小的结构，在活细胞成像期间很难在显微镜下看到。但是准确测量它们的长度和厚度对于评估刺激的细胞生长很重要。有几种算法可以使图像分析自动化，但是它们做得并不出色。它们通常通过查看图像中的单个像素并应用均匀的滤镜来挑选强度最高的像素来工作。那些高强度像素被假定为神经元和神经突结构。

问题在于显微镜图像通常不是高质量的，这使得很难从图像中可能存在的随机伪像中分辨出细胞结构。结果，过滤器通常包含与神经元结构无关的像素，并删除重要的像素。在测量微小的神经突附属物时，这尤其是一个问题。过滤器通常无法测量神经突生长的全部程度。

Kwang-Min Kim是Palmore实验室的前研究生，现在是斯坦福大学的博士后研究员，他想找到一个更好的解决方案。受计算机视觉研究生和论文的第一作者Kilho Son先前工作的启发，Kim开发了一种新方法，该方法可以省去其他方法中使用的统一滤镜。相反，称为神经元图像分析器(NIA)的新方法考虑了像素与相邻像素的关系。

“我们不仅在寻找高强度像素，”金说。“我们着眼于像素之间的关系信息。这样，我们就可以跟踪彼此相连的像素，这有助于我们跟踪整个神经元结构。”

该算法采用的另一种技术是使用特定的统计检验，该检验擅长挑选圆形或椭圆形结构。该测试用于精确定位和测量体细胞，即神经元的斑点状主体。

研究人员使用图像的手动注释作为基准，对照现有算法对NIA进行了测试。结果表明，NIA的准确度是手工编码的80%，而其他算法的准确度仅为50%到60%。

研究小组希望其他研究人员将使用新方法。在缺乏复杂且昂贵的设备来拍摄极高质量的神经元图像的实验室中，此功能尤其有用。

Kim说：“我们希望对有兴趣分析神经元图像的任何人提供这种方法，而无论其图像的质量如何。”

Kim和Son计划继续开发NIA，以期进一步提高其准确性和速度。