臺灣博碩士論文加值系統

隨著越來越多的果蠅腦影像的生成，瞭解神經元與神經元間的相
似性是一項重要的工作。因此，開發了一種系統，用於分析果蠅腦神
經元影像。在過去我們曾經做過末端點與末端點的比對，神經元與神
經元的比對，但是卻發現末端點與末端點的比對可能發生沒有連結的
狀況，但神經元與神經元的比對卻有連結，所以我們更嚴謹的重新定
義了新的果蠅腦神經影像，我們稱之為管狀神經元影像。
管狀神經元影像的產生，需要透過 Segmentation 與 Skelton 的檔
案結合產生，我們會利用演算法計算出 Skelton 的半徑，再利用半徑
去刮分在 Skelton 附近的神經元，並且記錄這些神經元是被哪個末端
點所刮到的，最後將有在半徑內的神經元重新定義，我們即稱之為管
狀神經元影像。
然而，神經元的影像都非常的龐大，所以我們的第一項工作是通
過 ZCRS 方法壓縮果蠅腦神經元影像，並且我們會設計可以讀取
ZCRS 方法產生出來的影像去進行神經元影像的（ZCRS-IM）比對，
然後根據 Tanimoto 係數計算圖像相似度的分數，管狀神經元的比對
的次數大約有 1017 次，而比對出來有連結的個數大約只有 25 億次。
在本篇論文中我們將比對方式也分為完整比對與模糊比對，完整比對
就是在座標位置完全一樣時將此位置的 VALUE 記錄下來，而模糊比
對會根據原本的座標值做一個誤差值的範圍，如正負一等。
最後我們將這些檔案比對的結果輸出成 Connection Table，可以供
生物學家查看，並且未來可以放到資料庫上，並使用網頁作為連結查
詢。

With more and more Drosophila Brain images generated, it is an
important work to understand the Neuron-Neuron similarity. Therefore, a
system is developed and used to analyze the Drosophila Neuron images.In
the past, we have done the comparison between the Terminal- Terminal
and the comparison between the Neuron-Neuron, We found that the
alignment of the Terminal-Terminal may occur without connection, but the
Neuron-Neuron is a link, so we have more rigorously redefined the new
Drosophila Neuron image, which we call Partial Volume image.
The generation of the Partial Volume images needs to be generated by
the combination of Segmentation and Skelton's file. We will use the
algorithm to calculate the radius of Skelton, then use the radius to scrape
the neurons near Skelton, and record which end these neurons are. The
point is scraped, and finally there will be a redefinition of neurons within
the radius, which we call Partial Volume image.
In this system, a first work is to compress Drosophila Neuron images
by a ZCRS scheme. For each pair of compared Neuron to Neuron, a ZCRS
scheme-based image-matching (ZCRS-IM) algorithm is then designed to
compare them in order to calculate an image similarity score according to
the Tanimoto Coefficient.
The number of comparsion of Partial Volume is about 1017times, and
the number of connections is only about 2.5 billion times. In this paper, we
also divide the comparison method into a complete comparison and a fuzzy
comparison. The complete comparison is to record the VALUE of this
position when the coordinate position is exactly the same, and fuzzy
comparison will be based on the original coordinates to give it a range of
an error value, such as positive and negative.
vi
The results of the comparison of these files are finally output as a
Connection Table, which can be viewed by biologists, and can be placed in
the database in the future.

目錄
指導教授推薦書
口試委員會審定書
致謝 iii
中文摘要 iv
Abstract v
目錄 vii
圖目錄 ix
第一章 介紹 1
第二章 相關研究 3
2.1 神經元影像 5
2.2 標準腦 9
2.3 二維或三維稀疏矩陣的CRS壓縮 10
2.4 Tanimoto 系數 11
第三章 研究方法 12
3.1 CRS 12
3.2 末端點比對資料製作 13
3.3 半徑的計算 15
3.4 管狀神經元影像的製作 16
3.5 完整比對與模糊比對 17
第四章 實驗結果 20
4.1 SWC半徑圖 20
4.2 管狀神經元影像圖 21
4.3 CRS壓縮大小比較 22
4.4 比對研究數據比較 25
4.5 Connection Table 28
第五章 結論 31
第六章 參考文獻 32





圖目錄
圖 1-1 成人果蠅腦模型圖 1
圖 1-2 果蠅腦與人腦神經數量比較 2
圖 2-1 Skeleton (出自BRC) 3
圖 2-2 Segmentation (出自BRC) 3
圖 2-3 SWC半徑 (出自BRC) 4
圖 2-4 神經元(出自BRC) 5
圖 2-5 神經元結構(出自維基百科) 5
圖 2-6 神經元AM檔 7
圖 2-7 神經元AM檔(顯示非零值) 7
圖 2-8 神經元SWC檔 8
圖 2-9 9
A.(公)果蠅腦分區圖. 9
B.(母)果蠅腦分區圖 9
圖 2-10 果蠅腦文字檔 9
圖 2-11 10
A.二維稀疏矩陣 10
B.二維矩陣的CRS壓縮 10
圖 2-12 三維稀疏矩陣 11
圖 2-13 三維矩陣的CRS壓縮 11
圖 2-14 Tanimoto系數算法 11
圖 3-1 CRS檔案格式 12
圖 3-2 末端點的SWC 13
圖 3-3 末端點擴大八個點 14
圖 3-4 末端點的CRS 14
圖 3-5 SWC(有半徑) 15
圖 3-6 管狀神經元AM檔 16
圖 3-7 管狀神經元的CRS 17
圖 3-8 完整比對-找出重疊範圍 17
圖 3-9 完整比對-記錄VALUE 18
圖 3-10 完整比對-陣列表示圖 19
圖 3-11 模糊比對-找出重疊範圍 19
圖 4-1 Cha-F-500234 (SWC 出自BRC) 20
圖 4-2 Cha-F-500234 (有半徑SWC 出自BRC) 20
圖 4-3 VGlut-F-300364( AM檔 出自BRC) 21
圖 4-4 VGlut-F-300364 (管狀神經元影像) 21
圖 4-5 神經元AM檔案大小 22
圖 4-6 神經元CRS檔案大小 23
圖 4-7 八個末端點CRS檔案大小 23
圖 4-8 管狀神經元AM檔案大小 24
圖 4-9 管狀神經元CRS檔案大小 24
圖 4-10 神經元秒數比對圖 25
圖 4-11 神經元連結個數比對圖 26
圖 4-11 八個末端點連結數 26
圖 4-12 管狀神經元影像連結數 27
圖 4-13 末端點的Connection Table 28
圖 4-14 管狀神經元的Connection Table 29
圖 4-15 管狀神經元的Connection Zone Table 29

[1] Chi-Wen Lin, Hsuan-Wen Lin, Mei-Tzu Chiu, Yung-Hsin Shih, Ting-Yuan Wang,Hsiu-Ming Chang ,Ann-Shyn Chiang, “Automated in situ brain imaging for mapping the Drosophila connectome,” Journal of neurogenetics, 2015, pp. 157-168.
[2] M. Ujaldon, E.L. Zapata, S.D. Sharma, and J. Saltz, “Parallelization Tech ques for Sparse Matr x Appl cat o s,” Journal of parallel and distribution computing, Vol. 38, Issue 2, 1996, pp. 256-266.
[3] M. Ujaldon, E.L. Zapata, B.M. Chapman, and H.P. Zima, “Vea-Fortran/HPF Extensions for Sparse and Irregular Problems and Their Compilation,” IEEE Transactions on Parallel and Distributed Systems, Vol. 8, No. 10, 1997, pp. 1068-1083.
[4] R. Sandberg, D. Golgberg, S. Kleiman, and D. Walsh, “Design and implementation of the Sun network filesystem,” Innovations in Internetworking, pp. 379-390, 1988.
[5] R.G. Chang, T.R. Chung, and J.K. Lee, “Parallel Sparse Supports for
Array Intrinsic Functions of Fortran,” The Journal of Supercomputing, pp. 305-339, March 2001.
[6] C.Y. Lin, Y.C.Chung, and J.S. Liu, “Efficient Data Parallel Algorithms for Multi-Dimensional Array Operations Based on the EKMR Scheme for Distributed Memory Multicomputers”. IEEE Transactions on Parallel and Distributed Systems, pp. 625-639, July 2003.
[7] W.S. Hsu, C.L. Hung , C.Y. Lin, and K.Z. Lee, “Efficient strategy for compressing sparse matrices on Graphics Processing Units,” 2013 International Conference on Computational Problem-Solving (ICCP).
[8] A.M. Chiang, C.Y. Lin, C.C. Chuang, H.M. Chang, C.H. Hsieh, C.W. Yeh, C.T. Shih, J.J. Wu, G.T. Wang, Y.C. Chen, C.C. Wu, G.Y.Chen, Y.T. Ching, P.C. Lee, C.Y. Lin, H.H. Lin, C.C. Wu, H.W. Hsu, Y.A. Huang, J.Y. Chen, H.J. Chiang, C.F. Lu, R.F. Ni, C.Y. Yeh, J.K. Hwang “Three-Dimensional Reconstruction of Brain-wide Wiring Networks in Drosophila at Single-Cell Resolution,” Current Biology, pp. 1-11, 2011 January.
[9] Helmstaedter M, Briggman KL, Denk W, “3D structuralimaging of the brain with photons and electrons,” Curr Opin Neurobiol, pp. 633 – 641, 2011 January.
[10] C.T. Shih, O. Sporns, S.L Yuan, T.S. Su, Y.J. Lin, C.C. Chuang, T.-Y. Wang, C.C. Lo, R.J. Greenspan, A.S. Chiang , “Connectomics-Based Analysis of Information Flow in the Drosophila Brain” , Current Biology, Volume 25, Issue 10, 18 May 2015, pp. 416-418.