人脑是由数百亿个神经元连接而成的复杂网络。大规模重建神经元形态，对理解大脑的结构和功能、神经系统疾病诊治等具有重要意义。
近日，东南大学脑科学与智能技术研究院新基石科学实验室成功研发协作增强重建（Collaborative Augmented Reconstruction，简称 CAR）平台，通过结合人工智能和人类协作，使研究人员能够使用桌面端、虚拟现实设备和移动终端进行实时的多设备互动与协作，其精确度可达 90% 以上，旨在解决小鼠和人类大脑中 3D 神经元形态的复杂重建问题。
该项成果以“Collaborative Augmented Reconstruction of 3D Neuron Morphology in Mouse and Human Brains”为题在线发表在 Nature Methods 期刊。广东省智能科学与技术研究院为主要合作单位。东南大学脑科学与智能技术研究院（脑智院）及生物科学与医学工程学院博士研究生张玲丽为本文第一作者，东南大学彭汉川教授为通讯作者，脑智院客座研究员、广东省智能科学与技术研究院王宜敏研究员是共同第一作者和共同通讯作者。
借此机会，生辉邀请到本文主要作者张玲丽、汪隶鋆、杭宇宁、李凯翔，围绕 CAR 平台的开发及未来前景作了深入探讨。
开发多人、异地、多设备协同神经元重建工具
神经元重建是一种将神经元的二维显微镜图像转化为三维空间结构的方法，这对于深入理解神经元的复杂结构及其功能至关重要。通过对神经元进行三维建模，研究人员能够更准确地分析神经元的空间关系、形态特征以及与其他细胞的相互作用，进而推动神经科学领域的发展。
然而，神经元形态重建面临着多重挑战，尤其是在大规模数据集下确保神经解剖学的准确性和重建的可靠性。传统上，尽管通过人工标注可以获得高质量的重建结果，但这种方法在效率上无法满足大规模数据生产的需求。此外，现有的自动化重建技术大多只能处理简单的情况，面对复杂的神经元形态、信噪比低的数据或需要完整追踪的神经元信号时，表现仍然有限。神经元的复杂结构、断续的信号模式以及缺乏高质量的训练数据也使得深度学习等机器学习方法的开发变得异常困难。因此，如何在保证生物学准确性的同时，实现大规模高效的神经元形态重建，仍然是脑科学研究领域一个亟待解决的核心问题。
基于此，研究团队致力于解决神经元重建过程中，存在的依赖人工标注导致的精确度不高的问题。并开发了一个可以多方协作、异地同步操作的 CAR 平台。
“基于云平台的神经元重建系统支持多个用户从不同客户端、不同地点对神经元数据集进行协同编辑和修改，包括普通台式机和笔记本电脑、虚拟现实头盔、手机端和游戏机。”张玲丽介绍道，“该系统同时集成了多个 AI 工具实时校验，最终实现高精度的神经元重建。”
图 | CAR 平台及其神经科学应用示意图实验过程中，研究团队借助 CAR 平台重点研究了小鼠大脑中具有代表性的神经元类型，它们的细胞体位于 20 个解剖区域，这些区域与主要功能区域相对应，包括皮层、丘脑和纹状体。最终，研究团队实现了所有测试神经元超过 90% 的重建准确率，并得到了其他专家的验证。
据悉，神经元重建过程中，通常以人工重建结果作为金标准。“CAR 平台则不仅实现了多人交叉验证，还可以通过多平台交叉验证。”
图 | 借助 CAR 平台重建小鼠完整神经元另外，研究团队使用 CAR 平台从 10 个皮质区域重建了 80 个人类神经元。重建结果表明，标注者可以有效协作重建神经元的各个部分，尤其是结构复杂性较大的分支高密度区域。另外，当使用 CAR 平台的协作者数量从 2 人增至 4 人时，重建时间减少了 7% 至 18%，而总体错误率从 15% 以上降低至 7%。此外，CAR 平台 7.5 分钟内实现了 85% 的重建准确率，明显优于其他传统工具。
当在全脑范围内重建神经元的胞体和假定的突触位点时，通过自动化胞体检测算法结合 CAR 平台的移动客户端，研究团队成功在 58 个完整小鼠大脑中的 609 个脑区精确标注了 156,190 个胞体，创建了一个规模庞大的标注数据库。整个过程耗时约 4 周，涉及 30 位用户的协作，平均每个胞体的标注时间仅为 5.5 秒。此外，CAR 平台还帮助验证和重建了神经元在全脑范围内的轴突和突触位点，确保了高度的精确性。
进一步促进脑科学研究是未来目标
近年来，随着计算能力的提升和算法的改进，神经元重建工具得到了显著的发展。
从协同重建工具的整个开发历程来看，彭汉川团队在很早便开发了 Vaa3D 来作为神经元的重建平台；随着交互技术的发展，VR 技术的逐渐成熟，团队又进一步迭代了神经元的重建工具，推出了 TeraVR，相比较 Vaa3D 在 2D 屏幕上进行交互的方式，TeraVR 将重建人员置身于一个沉浸式的 3D 空间中，从而可以更全面细致地观察神经元，获得更精准的重建。
“CAR 平台最大特点则在于支持多人协同工作并实现半自动重建。该技术不仅能够处理大规模、质量参差不齐的数据，而且具备优秀的扩展性和跨平台能力，目前已经实现了电脑桌面端、手机端、VR 端和游戏机端的覆盖，未来还将支持更多终端设备；此外，通过开源策略，该技术鼓励开发者集成应用程序和自定义算法，进一步增强了其灵活性和适应性。”汪隶鋆表示。
“其中手机移动端进一步降低了交互的难度并且有效利用了碎片化重建，以一种低交互难度的方式获得了可观的高质量重建数据。尤其适用于轻量化、随时随地参与的标注工作。”张玲丽补充道。
“为了定义不同端之间的协同标准，也就是所谓的通信协议。团队使用学界认可的 SWC 重建格式作为标准，并围绕该标准设计了一套通信协议以及数据版本管理的标准，并最终实现了多端的统一交互。也为未来更多的重建端的接入奠定了基础。”杭宇宁讲道。
对于该项目，各位也感慨颇多。“首先，项目规模巨大，包括云平台搭建、客户端适配及功能开发等方面，使得开发难度显著增加；其次，实时协同和用户体验优化是主要技术难题之一；最后，项目组需处理不同设备之间的交互和数据统一问题，确保多端协同工作的顺畅。”汪隶鋆表示。
就未来的研究规划，张玲丽表示可能与脑机接口相结合，通过收集和分析脑电数据，为医疗领域的监测和治疗提供支持。
采访尾声，大家也就神经元重建工具的未来发展趋势进行了探讨，基本共识是向更高级别的自动化方向发展。其长期目标是实现自动重建。目前由于缺乏金标准，只能通过半自动方式提升重建精度和效率。走向全自动重建的过程需要依赖 AI 模型的能力，同时考虑结合传统算法、预训练大模型等多种手段，将静态结构重建与功能性动态数据融合，从而更好地研究大脑功能和结构间的复杂关系。
参考链接：
1.Zhang, L., Huang, L., Yuan, Z. et al. Collaborative augmented reconstruction of 3D neuron morphology in mouse and human brains. Nat Methods (2024). https://doi.org/10.1038/s41592-024-02401-8
2. Peng, H., Ruan, Z., Long, F. et al. V3D enables real-time 3D visualization and quantitative analysis of large-scale biological image data sets. Nat Biotechnol 28, 348–353 (2010). https://doi.org/10.1038/nbt.1612
3. Peng, H., Bria, A., Zhou, Z. et al. Extensible visualization and analysis for multidimensional images using Vaa3D. Nat Protoc 9, 193–208 (2014). https://doi.org/10.1038/nprot.2014.011
4. Wang, Y., Li, Q., Liu, L. et al. TeraVR empowers precise reconstruction of complete 3-D neuronal morphology in the whole brain. Nat Commun 10, 3474 (2019). https://doi.org/10.1038/s41467-019-11443-y
