[发明专利]神经元重建错误的检测方法、装置和计算机设备

权利要求书

1.一种神经元重建错误的检测方法，其特征在于，所述方法包括：

获取重建的神经元的各节点图像；

将所述各节点图像输入训练好的分类网络，通过所述分类网络的卷积块提取所述各节点图像中的节点与对应的邻域节点之间的特征，得到所述各节点图像的特征图；

通过所述分类网络的全连接层，基于所述各节点图像的特征图进行分类，得到所述重建的神经元中的各节点图像的分类结果；所述节点图像的分类结果表征相应节点属于重建错误的起始节点或不属于重建错误的起始节点；

根据所述各节点图像的分类结果确定所述重建的神经元中重建错误的起始节点。

2.根据权利要求1所述的方法，其特征在于，所述各节点图像为双通道的三维图像，所述双通道包括灰度特征通道和二值特征通道。

3.根据权利要求1所述的方法，其特征在于，所述获取重建的神经元的各节点图像，包括：

获取重建的神经元的各节点数据，所述各节点数据包括各节点对应的邻域节点，以及所述各节点与对应的邻域节点之间的连接关系；

根据所述各节点和所述各节点对应的邻域节点的灰度值，确定所述各节点对应的灰度特征；

根据所述各节点对应的邻域节点和所述连接关系确定所述各节点的二值化特征；

基于所述各节点对应的灰度特征和二值化特征，获取所述重建的神经元中各节点的节点图像。

4.根据权利要求1至3中任一项所述的方法，其特征在于，所述通过所述分类网络的卷积块提取所述各节点图像中的节点与对应的邻域节点之间的特征，得到所述各节点图像的特征图，包括：

针对每个节点图像，通过所述分类网络中由三维卷积层和三维池化层组成的各卷积块提取节点图像中的节点与邻域节点之间的特征，得到所述节点图像对应的特征图。

5.根据权利要求4所述的方法，其特征在于，所述通过所述分类网络中由三维卷积层和三维池化层组成的各卷积块提取节点图像中的节点与邻域节点之间的特征，得到所述节点图像对应的特征图，包括：

通过所述分类网络的卷积块中的三维卷积层提取节点图像中的节点与邻域节点之间的特征；

将所述三维卷积层提取的特征输入所述卷积块中的三维池化层进行最大池化处理，得到所述卷积块的三维池化层输出的特征图；

将所述分类网络中的上一卷积块中三维池化层输出的特征图作为下一卷积块中三维卷积层的输入，直到得到最后一卷积块中三维池化层输出的所述节点图像对应的特征图。

6.一种分类网络的训练方法，其特征在于，所述方法包括：

获取训练节点图像，并获取所述训练节点图像对应的类别标签；所述类别标签包括重建错误的起始节点和重建正确的节点；

将所述训练节点图像输入待训练的分类网络，通过所述待训练的分类网络的卷积块提取所述训练节点图像中的节点与邻域节点之间的特征，得到所述训练节点图像的特征图；

通过所述待训练的分类网络的全连接层对所述训练节点图像的特征图进行分类，得到所述训练节点图像的分类结果；所述训练节点图像的分类结果表征相应训练节点属于重建错误的起始节点或不属于重建错误的起始节点；

根据所述训练节点图像的分类结果和对应的类别标签之间的差异，调整所述分类网络的参数并继续训练，直到满足预设条件时停止训练，得到训练好的分类网络；

其中，所述训练好的分类网络用于根据各节点图像的分类结果确定重建的神经元中重建错误的起始节点，所述节点图像的分类结果表征相应节点属于重建错误的起始节点或不属于重建错误的起始节点，所述各节点图像的分类结果是通过所述全连接层基于所述各节点图像的特征图进行分类得到的；所述各节点图像的特征图是通过所述卷积块提取所述各节点图像中的节点与对应的邻域节点之间的特征得到的。

7.根据权利要求6所述的方法，其特征在于，所述训练节点图像包括正样本和负样本；所述获取训练节点图像，包括：

获取重建正确的神经元图像，并获取对应的重建错误的神经元图像；

从所述重建正确的神经元图像中获取节点图像，得到正样本；

基于所述重建正确的神经元图像从所述重建错误的神经元图像中获取负样本。