快速检测和识别自由行为的秀丽隐杆线虫的全脑神经元

先进的体积成像方法和基因编码的活动指标使得我们能够以单个神经元分辨率全面描述秀丽隐杆线虫（Caenorhabditis elegans）整个大脑活动。然而，线虫神经系统的持续运动和变形为在行为动物中一致识别密集排列的神经元带来了巨大挑战。在这里，我们提出了一种级联解决方案，用于在自由移动的秀丽隐杆线虫中长期快速识别头节神经元。首先，通过深度学习算法检测一堆荧光图像中的潜在神经区域。其次，将2D神经区域融合成3D神经元实体。第三，通过利用神经元周围的神经元密度分布和神经元之间的相对位置信息，多类人工神经网络将工程化的神经特征向量转化为数字神经元身份。在进行少量训练样本的情况下，我们的自下而上方法能够在不到1秒的时间内处理每个体积（1024×1024×18体素），在神经元检测方面达到91%的准确率，并在长时间视频记录中实现80%以上的神经元跟踪准确度。我们的工作代表了朝着解码自然行为背后的整个大脑活动的快速和完全自动化算法迈出的一步。