来源：iNature（ID：Plant_ihuman）
鉴于脑结构和功能的复杂性，其系统化解析需要综合来自不同个体、不同发育阶段、不同尺度、不同成像和标记模态甚至不同物种的脑数据信息。近期高分辨率生物显微成像、稀疏标记和神经元数字化重建等技术的发展使得脑图像数据的时空跨度已达到十几个数量级。如何打破数据模态和时空壁垒，在统一的坐标空间下融合不同样本、标记和成像模态等数据信息全景式解析脑联接和功能图谱是当前脑科学包括近期启动的“中国脑计划”的重要研究方向，也是领域内亟待解决的一个关键挑战。
2021年12月9日，东南大学彭汉川团队（安徽大学屈磊李园园为共同第一作者，安徽大学为第一单位）在Nature Methods在线发表题为“Cross-modal coherent registration of whole mouse brains”的研究论文，该研究提出了相干标记点映射（Coherent Landmark Mapping - CLM）图像配准框架，突破了跨模态配准中不可靠匹配点鉴定和筛选困难、标记点匹配易受局部极小干扰、有效匹配点数量难以控制以及图谱中脑区形状和相对位置先验利用率低等瓶颈问题。以CLM为基础，研究团队进一步构建了一整套含图像预处理、自动全局配准、自动局部配准和半自动配准的跨模态脑数据配准管线——mBrainAligner。
该研究完成了31个高分辨率fMOST脑图像及1741个小鼠全脑神经元形态重建数据到Allen CCFv3图谱的映射，为BICCN细胞普查研究提供数据配准支撑；通过逆映射CCFv3构建了首个fMOST模态鼠脑图谱，展示了该图谱在生物和工程上的双重优势；给出了mBrainAligner在脑区划分、体细胞定位和轴突投射预测等任务以及STPT、fMOST、LSFM、VISoR和MRI不同模态脑图像间的交叉配准应用示例，以具有生物学意义的度量指标验证了其在跨模态脑图像配准中的优越性。
高分辨率光学显微镜、组织清除、稀疏标记技术和神经元追踪方法现在使得以单细胞分辨率绘制整个哺乳动物大脑成为可能。大型国际合作，例如 BRAIN Initiative 细胞普查网络 (BICCN)、MouseLight 项目、Allen Mouse Brain Connectivity Atlas 和 Mouse Connectome project，都在从事细胞分型、绘制远程轴突投射和微回路连接分析。海量图像数据集是通过各种高分辨率、高通量成像技术获得的，例如串行双光子断层扫描 (STPT)、荧光微光学切片断层扫描 (fMOST)、光片荧光显微镜 ( LSFM)或具有同步动态扫描和读出 (VISoR)的体积成像。
近期高分辨率生物显微成像、稀疏标记和神经元数字化重建等技术的发展使得脑图像数据的时空跨度已达到十几个数量级。如何打破数据模态和时空壁垒，在统一的坐标空间下融合不同样本、标记和成像模态等数据信息全景式解析脑联接和功能图谱是当前脑科学包括近期启动的“中国脑计划”的重要研究方向，也是领域内亟待解决的一个关键挑战。
已建立的脑图谱，例如艾伦通用坐标框架图谱 (CCFv3)（使用 STPT 成像）及其派生的 LSFM 域图谱，已帮助神经生物学家研究基因表达模式、脑解剖学和神经回路。目前，fMOST 成像越来越多地用于全脑单细胞分析。正在生成这种模式的高分辨率图像（例如在 BICCN 程序中）以生成大型单神经元形态数据库。将此类数据注册到 Allen 脑图谱以比较使用不同实验条件和方式生成的映射神经元和神经元群至关重要。
mBrainAligner 概述（图源自Nature Methods）
尽管在一种单一成像模式下对全脑图像进行配准的现有研究很多，包括从秀丽隐杆线虫、果蝇到斑马鱼的较小神经系统，但鲜有报道关于流行生物成像方法的跨模式配准的工作，特别是考虑到成像结构的强度、纹理和解剖结构的多样性日益增加。最近，提出了基于深度神经网络 (DNN) 的方法来进一步提高注册效率和准确性。然而，由于问题的规模和设计有效的相似性的困难，DNN 在跨模态生物成像配准中的应用仍未实现。
该研究提出了相干标记点映射（Coherent Landmark Mapping - CLM）图像配准框架，突破了跨模态配准中不可靠匹配点鉴定和筛选困难、标记点匹配易受局部极小干扰、有效匹配点数量难以控制以及图谱中脑区形状和相对位置先验利用率低等瓶颈问题。以CLM为基础，研究团队进一步构建了一整套含图像预处理、自动全局配准、自动局部配准和半自动配准的跨模态脑数据配准管线——mBrainAligner。
该研究完成了31个高分辨率fMOST脑图像及1741个小鼠全脑神经元形态重建数据到Allen CCFv3图谱的映射，为BICCN细胞普查研究提供数据配准支撑；通过逆映射CCFv3构建了首个fMOST模态鼠脑图谱，展示了该图谱在生物和工程上的双重优势；给出了mBrainAligner在脑区划分、体细胞定位和轴突投射预测等任务以及STPT、fMOST、LSFM、VISoR和MRI不同模态脑图像间的交叉配准应用示例，以具有生物学意义的度量指标验证了其在跨模态脑图像配准中的优越性。
安徽大学教授/东南大学兼职教授屈磊和安徽大学2019级博士研究生李园园为文章的共同第一作者，东南大学脑科学与智能技术研究院彭汉川教授为文章的通讯作者，安徽大学为第一署名单位。
该研究得到国家自然科学基金（61871411、32071367、U20A6005）、安徽省高校协同创新项目（GXXT-2019-008、GXXT-2021-001）的资助，同时也得到东南大学SEU-ALLEN联合中心、计算智能与信号处理教育部重点实验室、信息材料与智能感知安徽省实验室、安徽大学超算中心、安徽大学国际脑科学中心和合肥综合性国家科学中心人工智能研究院的支持。
注：文章解析参考自安徽大学官网介绍。
解析链接：
https://www.ahu.edu.cn/2021/1213/c15059a276686/page.htm
参考消息：
https://www.nature.com/articles/s41592-021-01334-w
本文版权归原作者所有，文章内容不代表平台观点或立场。如有关于文章内容、版权或其他问题请与我方联系，我方将在核实情况后对相关内容做删除或保留处理！联系邮箱: yzhao@koushare.com