本發(fā)明涉及模式識別和神經(jīng)學領(lǐng)域，具體是涉及一種基于電鏡序列切片圖像的突觸檢測方法。

背景技術(shù)：

近年來，神經(jīng)科學是研究的熱點，其中突觸是重要的研究對象。突觸是神經(jīng)元之間進行信息傳遞和進行信息整合的關(guān)鍵部位，是神經(jīng)元之間相互聯(lián)系的基本單元，由突觸前膜、突觸間隙和突觸后膜組成。突觸不僅是研究神經(jīng)系統(tǒng)正常電生理和功能的基礎(chǔ),同時也是研究神經(jīng)系統(tǒng)疾病機制的突破口，因此對突觸進行研究具有十分重要的意義。

目前基于電鏡序列切片大規(guī)模獲取神經(jīng)元圖像已經(jīng)不再是難題，而從大體量數(shù)據(jù)中檢測突觸很大程度上制約了對突觸進行研究。

有鑒于此，特提出本發(fā)明。

技術(shù)實現(xiàn)要素：

為了解決現(xiàn)有技術(shù)中存在的技術(shù)問題，本發(fā)明實施例提供一種基于電鏡序列切片圖像的突觸檢測方法，以實現(xiàn)高效、精準的突觸檢測。

為了實現(xiàn)上述目的，一方面，提供一下技術(shù)方案：

一種基于電鏡序列切片圖像的突觸檢測方法，所述方法包括：

獲取所述電鏡序列切片圖像；

對所述電鏡序列切片圖像進行拼接對準；

針對拼接對準后的單層電鏡序列切片圖像，利用Adaboost算法進行突觸檢測；

基于突觸檢測結(jié)果，進行基于突觸特征的突觸識別；

基于突觸識別的結(jié)果，進行基于上下文線索的突觸過濾；

基于突觸過濾的結(jié)果，進行突觸的三維重構(gòu)。

進一步地，所述針對拼接對準后的單層電鏡序列切片圖像，利用Adaboost算法進行突觸檢測，具體包括：

創(chuàng)建訓練樣本；

利用所述訓練樣本的Haar特征來訓練分類器，得到一個級聯(lián)的boosted分類器；

利用所述級聯(lián)的boosted分類器對所述突觸進行識別檢測，同時獲取所述突觸的位置信息。

進一步地，所述基于突觸檢測結(jié)果，進行基于突觸特征的突觸識別具體包括：

對所述突觸的局部圖像進行基于形態(tài)學的圖像分割，得到突觸致密帶的備選位置；

基于所述突觸致密帶的備選位置，應用動態(tài)規(guī)劃方法，將所述突觸的局部圖像分割為突觸前、突觸致密帶、突觸后；

根據(jù)所述突觸前、所述突觸后和所述突觸致密帶分別構(gòu)造對應的統(tǒng)計特征；

對所述突觸前中的囊泡進行基于Adaboost算法的檢測，并根據(jù)檢測的囊泡構(gòu)造對應的統(tǒng)計信息；

針對所述突觸中的所述囊泡建立正負樣本庫；

使用隨機森林方法進行所述突觸識別。

進一步地，所述對所述突觸的局部圖像進行基于形態(tài)學的圖像分割，得到突觸致密帶的備選位置，具體包括：

對所述突觸的局部圖像進行形態(tài)學操作，得到所述突觸的粗略結(jié)構(gòu)；

利用二次多項式擬合方法將所述突觸的粗略結(jié)構(gòu)擬合成第一曲線；

將擬合出的第一曲線的端點確定為起止點，并使用Dijkstra算法，在所述突觸的局部圖像上確定第一最短路徑；

以所述第一最短路徑作為種子點，使用基于稀疏標記的區(qū)域增長方法獲得所述突觸致密帶的備選位置。

進一步地，所述基于所述突觸致密帶的備選位置，應用動態(tài)規(guī)劃方法，對突觸前和突觸后進行分割，具體包括：

利用二次多項式擬合方法將所述突觸的粗略結(jié)構(gòu)擬合成貫穿所述突觸的局部圖像的第二曲線；

將所述第二曲線的端點確定為起止點，并利用Dijkstra算法在所述突觸的局部圖像上確定第二最短路徑；

對所述第二最短路徑進行膨脹處理，則將所述突觸的局部圖像劃分為二區(qū)域，并計算所述二區(qū)域的像素均值，從而將所述突觸的局部圖像分割為突觸前、突觸致密帶、突觸后。

進一步地，所述根據(jù)所述突觸前、所述突觸后和所述突觸致密帶分別構(gòu)造對應的統(tǒng)計特征，具體包括：

分別計算所述突觸前、所述突觸后和所述突觸致密區(qū)的均值和方差以及K階矩，從而得到所述突觸前、所述突觸后和所述突觸致密帶的特征向量

進一步地，所述對所述突觸前中的囊泡進行基于Adaboost算法的檢測，并根據(jù)檢測的囊泡構(gòu)造對應的統(tǒng)計信息，具體包括：

通過Adaboost算法檢測出囊泡信息，并將所述囊泡的數(shù)量、均值、方差以及K階矩添加至所述特征向量，從而構(gòu)造所述囊泡的統(tǒng)計信息。

進一步地，所述使用隨機森林方法進行所述突觸識別具體包括：

步驟A：進行自舉重采樣；

步驟B：隨機選擇預定數(shù)量的所述特征；

步驟C：遍歷所述各特征的每一種分割方式，確定最好的分割點，并分割成兩個子節(jié)點；

步驟D：分別對每一所述子節(jié)點，執(zhí)行步驟C，直至每一節(jié)點達到預定純度為止。

進一步地，所述兩個子節(jié)點包括左子節(jié)點和右子節(jié)點；則所述確定最好的分割點包括：

根據(jù)以下公式確定信息量：

其中，所述L(R)表示對當前樣本進行觀察所得到的信息熵；所述p_i表示分到第i類的樣本數(shù)量/樣本總數(shù)量；i＝1，……K；所述K表示樣本被分的類數(shù)；

根據(jù)以下公式確定所述特征的信息增益：

其中，所述s表示所述特征；所述|R|表示當前節(jié)點處的樣本數(shù)目；所述|R_ls|表示根據(jù)所述特征s分到所述左子節(jié)點的樣本個數(shù)；所述|R_rs|表示根據(jù)所述特征s分到所述右子節(jié)點的樣本個數(shù)；所述L(R_ls)表示根據(jù)所述特征s分到所述左子節(jié)點的樣本的信息熵；所述L(R_rs)表示根據(jù)所述特征s分到所述右子節(jié)點的樣本的信息熵；

將使所述信息增益最大的特征確定為所述最好的分割點。

進一步地，所述基于突觸識別的結(jié)果，進行基于上下文線索的突觸過濾，具體包括：

步驟E：確定利用隨機森林方法在所述電鏡序列切片圖像中第i層圖像中檢測到的第j個突觸R_i,j；其中，所述i表示所述電鏡序列切片圖像中圖像的層數(shù)；所述j表示所述突觸的序號；

步驟F：確定所述突觸R_i,j的中心位置和突觸R_i+1,k的的中心位置之間的相對距離；其中，所述k取正整數(shù)；

步驟G：計算所述突觸R_i,j與第i+1層圖像上所有突觸之間距離的最小值；

步驟H：如果所述最小值小于所述電鏡序列切片圖像中上下兩層圖像之間的最大偏移量，則將所述R_i,j和所述R_i+1,k確定為分布在所述電鏡序列切片圖像中的同一突觸；

步驟I：針對所述電鏡序列切片圖像中所有層圖像中檢測到的所有突觸，執(zhí)行步驟F至步驟H，直至步驟G得到的距離最小值大于等于所述電鏡序列切片圖像中上下兩層圖像之間的最大偏移量；

判斷所述突觸R_i,j在所述電鏡序列切片圖像中出現(xiàn)的次數(shù)是否大于預定次數(shù)，若是，則確定所述突觸R_i,j為真正的突觸，否則，確定所述突觸R_i,j為偽突觸。

本發(fā)明提供一種基于電鏡序列切片圖像的突觸檢測方法，其對電鏡序列切片圖像進行拼接對準；接著針對拼接對準后的單層電鏡序列切片圖像，利用Adaboost算法進行突觸檢測；然后基于突觸特征進行突觸識別，最后利用上下文線索進行突觸過濾，并基于突觸過濾的結(jié)果，進行突觸的三維重構(gòu)。解決了大規(guī)模的突觸檢測以及統(tǒng)計的問題。實現(xiàn)了高效、精準的突觸檢測。本發(fā)明在各種圖像上做了驗證，可以在突觸檢測方面取得了很好的效果。

附圖說明

圖1為根據(jù)本發(fā)明實施例的基于電鏡序列切片圖像的突觸檢測方法的流程示意圖。

具體實施方式

為使本發(fā)明的目的、技術(shù)方案和優(yōu)點更加清楚明白，以下結(jié)合附圖和具體實施例，對本發(fā)明進一步詳細說明。

本發(fā)明實施例提供一種基于電鏡序列切片圖像的突觸檢測方法。該方法可以包括：

S100：獲取電鏡序列切片圖像。

其中，電鏡序列切片圖像可以通過AUTM-SEM得到。

S110：對電鏡序列切片圖像進行拼接對準。

S120：針對拼接對準后的單層電鏡序列切片圖像，利用Adaboost算法進行突觸檢測。

本步驟可以進一步包括：

S121：創(chuàng)建訓練樣本。

本步驟可以根據(jù)自建的突觸數(shù)據(jù)庫來創(chuàng)建訓練集。例如，可以創(chuàng)建具有755個正樣本和2755個負樣本的訓練集。較佳地，可以將訓練樣本大小一律歸一化為24×24像素。

S122：利用訓練樣本的Haar特征來訓練分類器，得到一個級聯(lián)的boosted分類器。

本步驟還可以進一步包括：

S1221：構(gòu)造正負樣本。

作為示例，可以用(x₁,y₁),…,(x_n,y_n)來表示樣本圖像。其中，y_i表示正負樣本(i＝1,......n)，y_i＝0表示樣本圖像為負樣本，y_i＝1時表示樣本圖像為正樣本，n表示正負樣本的總數(shù)。

S1222：初始化每個樣本對應的權(quán)重。

開始時所有正樣本或負樣本的權(quán)重是相同的，當y_i＝0,1時，樣本的初始權(quán)重可表示為m、l分別表示負樣本和正樣本的數(shù)量；i＝1......n。

S1223：調(diào)整每個樣本對應的權(quán)重，獲得不同權(quán)重對應的樣本集和弱分類器。

本步驟可以進一步包括：

S12231：對權(quán)重進行歸一化。

例如，通過以下公式對權(quán)重進行歸一化：其中，n表示正負樣本的總數(shù)；i＝1......n；ω_t,i和ω_t,j分別表示第t次循環(huán)中樣本i和樣本j的權(quán)重。

S12232：根據(jù)以下公式計算權(quán)重誤差：

ε_t＝min_f,p,θ∑_iω_t,i|h(x_i,f,p,θ)-y_i|

其中，ε_t表示權(quán)重誤差；h(x_i,f,p,θ)表示弱分類器；f表示一種特征，θ表示閾值，p表示調(diào)整不等式方向的參數(shù)；x表示檢測子窗口；y_i表示正負樣本，y_i＝0表示樣本圖像為負樣本，y_i＝1時表示樣本圖像為正樣本。

S12233：根據(jù)最小權(quán)重誤差，得到最優(yōu)弱分類器。

例如：h_t(x)＝h(x,f_t,p_t,θ_t)，其中，f_t、p_t、θ_t分別表示使權(quán)重誤差達到最小的特征、調(diào)整不等式方向的參數(shù)、閾值。

S12234：根據(jù)以下公式更新各樣本的權(quán)重：

如果x_i分類正確，則e_i＝0；否則，e_i＝1。

根據(jù)正、負樣本的標記(正樣本標記為1，負樣本標記為0)，對于h_t分類錯誤的樣本，加大其對應的權(quán)重；而對于分類正確的樣本，降低其權(quán)重，這樣分錯的樣本就被突出出來，從而得到一個新的樣本分布，在新的樣本分布下，再次對弱分類器進行訓練，得到弱分類器h_t+1。依次類推，經(jīng)過T次循環(huán)，得到T個弱分類器。

S12235：將各弱分類器按一定的權(quán)重疊加起來，構(gòu)成一個強分類器，并將各強分類器組合成級聯(lián)的boosted分類器。

S123：利用級聯(lián)的boosted分類器對突觸進行識別檢測，同時獲取突觸的位置信息。

本步驟通過移動搜索窗口來檢測突觸。搜索窗口依次通過每一級分類器，這樣就排除了前面幾層的檢測中大部分的候選區(qū)域。全部通過每一級分類器檢測的區(qū)域即為目標區(qū)域。

為了檢測整幅單層電鏡圖像，在該圖像中移動搜索窗口，檢測目標區(qū)域中每一個位置，以此來確定可能的目標突觸。

為了搜索不同大小的突觸，可以將分類器設(shè)計為尺寸改變型分類器，這樣比改變待檢圖像的尺寸大小更為有效。因而，為了在單層電鏡圖像中檢測未知大小的目標物體，通常需要用不同比例大小的搜索窗口對圖片進行幾次掃描。優(yōu)選地，本發(fā)明實施例根據(jù)對突觸實際大小進行估計，設(shè)定搜索窗口的最小和最大尺寸分別為(150×150)和(400×400)(圖像分辨率為2nm/像素)。

S130：基于突觸檢測結(jié)果，進行基于突觸特征的突觸識別。

本步驟進一步可以包括：

S131：對突觸的局部圖像進行基于形態(tài)學的圖像分割，得到突觸致密帶的備選位置。

突觸的局部圖像就是檢測到突觸的搜索窗口內(nèi)的圖像。

本步驟還可以進一步包括：

S1311：對突觸的局部圖像進行形態(tài)學操作，得到突觸的粗略結(jié)構(gòu)。

其中，形態(tài)學操作可以包括但不限于二值化、腐蝕、開運算、填充。

S1312：利用二次多項式擬合方法將突觸的粗略結(jié)構(gòu)擬合成第一曲線。

例如：可以從突觸的粗略結(jié)構(gòu)中選取n個點，然后，利用該n個點擬合出如下曲線：

f(x)＝c₀+c₁x+c₂x²

其中，c₀、c₁、c₂分別表示系數(shù)；x表示自變量，其可能是橫坐標也可能是縱坐標，根據(jù)具體情況來判定。

S1313：將擬合出的第一曲線的端點確定為起止點，并使用Dijkstra算法，在突觸的局部圖像上確定第一最短路徑。

具體地，本步驟可以進一步包括：

S13131：確定起點至終點的距離、結(jié)點間的距離及結(jié)點集合；

作為示例，起點至終點的距離D(z_t)為從起點z₁沿某一路徑到終點z_n的所有結(jié)點像素值之和其中，I(z_t)表示從起點Z₁到Z_n經(jīng)過的結(jié)點z_t的像素值，z_t表示從起點Z₁到Z_n經(jīng)過的結(jié)點，t＝1，2，…，n。上述描述可以通過下式表示：

對于結(jié)點間的距離。例如：結(jié)點間的距離d(z_i,z_j)為結(jié)點z_i到結(jié)點z_j之間的“距離”即結(jié)點z_j的像素值I(z_j)。

對于結(jié)點集合。例如：P表示結(jié)點集合(也即經(jīng)過的結(jié)點)。對P進行初始化，得到P＝{z₁}(表示其中只包括起點)。

S13132：查找結(jié)點集合P以外的點對所有不在P中的點有：

S13133：將距離z_t最近的結(jié)點加入P中，將D(z_t+1)更新為min[D(z_t+1),D(z_t)+d(z_t+z_t+1)]。

S13134：重復執(zhí)行步驟S13132和步驟S13133，直至終點z_n包含在P中，從而在突觸的局部圖像上確定第一最短路徑。

S1314：以突觸的局部圖像上第一最短路徑作為種子點，使用基于稀疏標記的區(qū)域增長方法獲得突觸致密帶的備選位置。

本步驟可以使用如下區(qū)域增長模型來實現(xiàn)：

其中，fu表示人工給定標記的值，例如：在目標處賦值fu＝-∞，背景處賦值fu＝∞，在其他處賦值fu＝0；u表示分割結(jié)果，u:Ω→[0,1]，例如：u≥0.5表示目標，u<0.5表示背景；Ω表示整幅單層電鏡圖像；g:Ω→[0,1]將Ω中較強邊界賦予較小的值。

S132：基于突觸致密帶的備選位置，應用動態(tài)規(guī)劃方法，將突觸的局部圖像分割為突觸前、突觸致密帶、突觸后。

其中，突觸前是指軸突(包含囊泡)，突觸后是指樹突。

本步驟可以進一步包括：

S1321：利用二次多項式擬合方法將突觸的粗略結(jié)構(gòu)擬合成貫穿突觸的局部圖像的第二曲線。

本步驟可以參考擬合第一曲線的方法，在此不再贅述。

S1322：將第二曲線的端點確定為起止點，并利用Dijkstra算法在突觸的局部圖像上確定第二最短路徑。

本步驟在具體實施時可以參考確定第一最短路徑的方法，在此不再贅述。

S1323：對第二最短路徑進行膨脹處理，則將突觸的局部圖像劃分為二區(qū)域，并計算該二區(qū)域的像素均值，通過該二區(qū)域的像素均值將突觸的局部圖像分割為突觸前、突觸致密帶、突觸后。

因為突觸前分布著稠密的囊泡，因此突觸前的像素值均值較小，而突觸后像素值均值較大；所以，通過計算突觸的局部圖像分開的兩個區(qū)域的像素均值，就達到了對突觸前和突觸后進行分割的目的。

S133：根據(jù)突觸前、突觸后和突觸致密帶分別構(gòu)造對應的統(tǒng)計特征。

具體地，本步驟可以通過分別計算突觸前、突觸后和突觸致密區(qū)的均值和方差以及K階矩(例如：三、四、五、六階矩)，從而得到突觸前、突觸后和突觸致密帶的特征矩陣。

下面以突觸前為例來對本步驟進行詳細說明：

根據(jù)以下公式計算突觸前的均值：

其中，i表示突觸前的像素點序號；A_i表示突觸前像素點i的像素值；N表示突觸前像素點的數(shù)目；μ表示突觸前的均值。

根據(jù)以下公式計算突觸前的方差：

其中，V表示突觸前的方差。

根據(jù)以下公式計算突觸前的K階矩：

m_k＝E(A-μ)^k

其中，E(x)表示x的期望值。

S134：對突觸前中的囊泡進行基于Adaboost算法的檢測，并根據(jù)檢測的囊泡構(gòu)造對應的統(tǒng)計信息。

本步驟通過Adaboost算法檢測出囊泡信息，并將囊泡的數(shù)量、均值、方差以及K階矩(例如：三、四、五、六階矩)添加至步驟S133得到的特征向量中。

S135：針對突觸中的囊泡建立正負樣本庫。

S136：使用隨機森林方法進行突觸識別。

其中，建立決策樹的步驟可以包括：

S1361：進行自舉重采樣。

本步驟在N個訓練樣本中采取有放回的方式抽取N個樣本。將重采樣的樣本作為新的樣本看作一個節(jié)點。

S1362：隨機選擇預定數(shù)量的特征。

其中，該特征例如可以為均值和方差以及K階矩。

S1363：遍歷每個特征的每一種分割方式，找到最好的分割點，并分割成兩個子節(jié)點。

其中，分割方式指的是給定一個閾值，若樣本對應特征的取值小于該閾值，則將樣本分到左子節(jié)點N1；否則，將樣本分到右子節(jié)點N2。

其中，最好的分割點是根據(jù)“純度”來構(gòu)建的。這里，計算純度的方法可以為熵。例如：如果樣本被分為K類，且每一類的比例P(j)＝分到第j類的樣本數(shù)量/樣本總數(shù)量(j＝1，……K)；則，對該事件的結(jié)果進行觀察所得到的信息量可以用如下度量來定義：

其中，L(R)表示對當前樣本進行觀察所得到的信息熵；p_i表示分到第i類的樣本數(shù)量/樣本總數(shù)量(i＝1，……K)；K表示樣本被分的類數(shù)。

對于當前節(jié)點上的樣本，將上述度量稱為熵不純度，它反映了該節(jié)點上的特征對樣本分類的不純度。其中每個特征的信息增益定義如下：

其中，s表示特征；|R|表示當前節(jié)點處的樣本數(shù)目；|R_ls|表示根據(jù)特征s分到左子節(jié)點N1的樣本個數(shù)；|R_rs|表示根據(jù)特征s分到右子節(jié)點N2的樣本個數(shù)；L(R_ls)表示根據(jù)特征s分到左子節(jié)點N1的樣本的信息熵；L(R_rs)表示根據(jù)特征s分到右子節(jié)點N2的樣本的信息熵。

每個特征的信息增益也就是當前節(jié)點的不純度減去子節(jié)點不純度的加權(quán)平均數(shù)，權(quán)重由子節(jié)點記錄數(shù)與當前節(jié)點記錄數(shù)的比例決定。如果特征s的信息增益最大，這表明特征s能夠為這個分類系統(tǒng)帶來更多的信息，因此選取s作為當前節(jié)點，也即作為最好的分割點。

S1364：分別對每個子節(jié)點N1和N2執(zhí)行步驟S1363，直到每個節(jié)點達到預定純度為止。

S140：基于突觸識別的結(jié)果，進行基于上下文線索的突觸過濾。

本步驟中，上下文線索是指電鏡序列切片圖像中相鄰圖像之間的上下層關(guān)系。

本步驟具體可以包括：

S141：確定利用隨機森林方法在電鏡序列切片圖像中第i層圖像中檢測到的第j個突觸R_i,j。其中，i表示電鏡序列切片圖像中圖像的層數(shù)；j表示突觸的序號；i和j分別取正整數(shù)。

S142：確定突觸R_i,j的中心位置和突觸R_i+1,k的的中心位置之間的相對距離。其中，k取正整數(shù)。

S143：計算突觸R_i,j與第i+1層圖像上所有突觸之間距離的最小值。

S144：如果該最小值小于電鏡序列切片圖像中上下兩層圖像之間的最大偏移量，則將R_i,j和R_i+1,k確定分布在電鏡序列切片圖像中的同一突觸。

S145：針對電鏡序列切片圖像中所有層圖像中檢測到的所有突觸，執(zhí)行步驟S142至步驟S144，直至步驟S143計算得到的距離最小值大于等于電鏡序列切片圖像中上下兩層圖像之間的最大偏移量。

S146：判斷突觸R_i,j在電鏡序列切片圖像中出現(xiàn)的次數(shù)是否大于預定次數(shù)，若是，則確定突觸R_i,j為真正的突觸；否則，確定突觸R_i,j為偽突觸。

下面以一具體實施例來對基于突觸識別的結(jié)果進行基于上下文線索的突觸過濾的過程進行詳細說明。

步驟A：將利用隨機森林方法在電鏡序列切片圖像中第i層圖像中檢測到的第j個突觸記為R_i,j。將R_i,j所在檢測窗口的左上角和右下角坐標分別記為和

步驟B：根據(jù)檢測到的突觸與檢測窗口一一對應的關(guān)系，將R_i,j公式化為：

步驟C：根據(jù)以下公式確定R_i,j的中心位置_Ci,j和R_i+1,k的中心位置：

步驟D：根據(jù)以下公式確定R_i,j的中心位置_Ci,j和R_i+1,k的中心位置之間的距離

步驟E：根據(jù)以下公式計算突觸R_i,j與第i+1層圖像上所有突觸之間距離的最小值▽X_i,j：

其中，n_i表示所有突觸的數(shù)量。

步驟F：若▽X_i,j<θ，則R_i,j和R_i+1,k表示分布在相鄰序列圖像中的同一突觸。其中，θ表示電鏡序列切片圖像中上下兩層圖像之間的最大偏移量。

步驟G：令i＝i+1，j＝k，并重復步驟C至步驟F，直至▽X_i,j≥θ。

步驟H：若R_i,j在電鏡序列切片圖像中出現(xiàn)的次數(shù)β≥3，則R_i,j為真正的突觸；否則，R_i,j為偽突觸。

S150：基于突觸過濾的結(jié)果，進行突觸的三維重構(gòu)。

本步驟進一步可以包括：

S151：提取過濾得到的突觸的光滑致密帶結(jié)構(gòu)。

本步驟可以進一步包括：

S1511：利用形態(tài)學運算，提取過濾得到的突觸的致密帶。

S1512：使用擬合的方法，對突觸致密帶的形態(tài)進行優(yōu)化，得到光滑的突觸致密帶結(jié)構(gòu)。

S152：對致密帶進行重構(gòu)，得到突觸的三維結(jié)構(gòu)。

具體地，本步驟可以包括：

S1521：計算第i層第j個突觸致密帶到第i+1層的第k個突觸致密帶的相對距離.

S1522：判斷上述相對距離是否小于電鏡序列切片圖像中上下兩層圖像之間的最大偏移量；若是，則利用FiJi工具將第j個突觸致密帶和第k個突觸致密帶進行重構(gòu)，得到突觸致密帶三維結(jié)構(gòu)，也即突觸的三維結(jié)構(gòu)。

本發(fā)明實施例雖然以上述步驟順序進行的描述，但是本領(lǐng)域技術(shù)人員應清楚這些步驟可以并行執(zhí)行或者以顛倒的順序執(zhí)行，在此，本發(fā)明實施例對此不作限定，這些以并行或顛倒的順序執(zhí)行的技術(shù)方案也應包含在本發(fā)明的保護范圍之內(nèi)，在此不再贅述。

術(shù)語“包括”或者任何其它類似用語旨在涵蓋非排他性的包含，從而使得包括一系列要素的過程、方法、物品或者設(shè)備/裝置不僅包括那些要素，而且還包括沒有明確列出的其它要素，或者還包括這些過程、方法、物品或者設(shè)備/裝置所固有的要素。

以上所述的具體實施例，對本發(fā)明的目的、技術(shù)方案和有益效果進行了進一步詳細說明，所應理解的是，以上所述僅為本發(fā)明的具體實施例而已，并不用于限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)，所做的任何修改、等同替換、改進等，均應包含在本發(fā)明的保護范圍之內(nèi)。