2022年10月27日，广东省智能科学与技术研究院（以下简称广东省智能院）王宜敏实验室（神经网络数据计算与可视化组）与上海大学朱晓强实验室及英国伯恩茅斯大学在神经信息学领域知名期刊《神经信息学前沿》（Frontiers in Neuroinformatics）在线发表题为“Robust quasi-uniform surface meshing of neuronal morphology using line skeleton-based progressive convolution approximation”的研究论文。该论文提出了使用渐进式卷积逼近的方法生成神经元形态结构数据的表面网格模型。

基于线骨架的神经元形态结构表面网格模型生成

由于神经元通常具有不规则且复杂的结构，创建高质量的神经元形态数据的多边形网格表示，并进一步进行神经元数据可视化和一系列模拟工作，是一项重要但颇具挑战的工作。本文发展了一种新的方法从神经元形态数据的骨架-半径表示来构建一个水密的三维网格模型。在神经元骨架数据的驱动下，文章借鉴数字雕刻的方式，采用渐进式的方法对一个初始胞体模型进行形变，从而重构出神经元的表面模型。为了高效地进行表面变形计算，文章采用了局部映射的思想，使得只有在当前骨骼的影响区域(ROI)内的顶点才需要被更新。ROI由卷积核确定，并沿着神经元骨架进行卷积从而产生平滑整体曲面的势能场。在整个演化过程中，网格模型的质量由一系列准规则操作确保，包括分割过长边、退化过短边、沿切平面优化顶点分布以产生规则的三角形。此外，结果网格上的顶点密度由神经元局部的半径和曲率决定，以实现自适应性。

渐进式的网格生成过程

基于此方法，研究人员开展了大量的神经元表面模型生成实验，并与CTNG、Neuroize、NeuroTessMesh、AnaMorph等先前方法进行了对比。通过实验发现，本文的方法具有更高的稳定性和有效性、同时结果数据具有更高的模型质量。

    上海大学朱晓强副教授为本文第一作者，广东省智能院王宜敏研究员为论文的通讯作者。该项工作得到了广东省高水平创新研究院项目、广东省重点领域研发计划、国家自然科学基金、上海市自然科学基金等多项基金的支持。

文章链接：https://doi.org/10.3389/fninf.2022.953930