图 2：一个前突触神经元与一个后突触神经元的连接图。囊泡朝着突触间隙运输神经递质，后者携带有生化信息。其中还有大量的能量生产者——线粒体。

为了进行骨架到体积重建的转换，可以训练一个递归的三维卷积神经网络模型来检测神经突起之间的障碍区（膜和细胞外空间，ECS）。然后 ECS 可用于制备样本以用于分割（segmentation）。研究人员选择对囊泡云（vesicle clouds）和线粒体（mitochondria）一起进行检测，以此作为两个神经元是否相互连接的标准，而非二者之间的接触面积。由于这些超微结构对象是神经元之间重要的信息传输因子，因而它们在前 & 后突触神经元中的数量颇丰。因此，对囊泡云和线粒体的同时出现进行检测是一个很好的连接迹象。从技术上讲，一个多类卷积神经网络就是被训练用于处理这一步骤的。

一定要注意的是，这些报导出来的最好的训练成绩依赖于测试集的大小。多类卷积神经网络在小规模测试集上表现良好，大概是因为这种体量的连接数仍然是可应对的。虽然实验中显示出的性能前景光明，但我们并不知道该性能是否可以泛化到更大的数据集上，毕竟大数据集有着很大的多样性。

图 3：与其它前沿方法的比较。F1 分数反映了查准率和查全率的调和平均数。可以看出，SyConn 优于其它方法。

基于先前检测到的超微结构对象，SyConn 可以通过将它们的相对位置分配到神经突起的不同部分来进一步细化重建模型。这个过程可以辅助对亚细胞部分和神经细胞类型的分类。在这篇论文中，研究人员纳入了一个随机森林分类器来对树突棘头、树突棘颈或树突棘轴进行分类。增强细胞重建在细胞类型识别方面十分必要，该识别程序在构建连接矩阵和随后的分析过程中起到了重要的作用。通过比较线粒体和囊泡云在神经突起上的体积密度，研究人员发现，其中发射率最高的神经元类型具有最高的密度。对神经元的超微结构对象和相关发射率的研究，atv，可能会在化学固定作用前为生命体内的生理特性提供一些见解。

讨论

连接组学（Connectomics）近年来经历了快速的发展。密集的连接组学分析受限于突触的注解时间并遵循着电路分析的步骤。SyConn 能够（在可接受的误差内）以较低错误率大大减少分析时间，从而令人工校对变得没有必要。对于数据集质量限制 SyConn 性能的问题，人工检查将会有利于准确率的提升。从该结果中我们也可以看到，利用预先训练的网络与后训练程序，深度卷积神经网络只需要最少的训练数据就能提取出超微结构对象的信息。

虽然自动化可以显著提高效率，但是自动化的神经突起重建技术到现在都没有成果，后者的可变性和复杂性更大。由于我们还处于专家在生物数据分析工作中发挥重要作用的阶段，可以预见，他们在未来的影响会越来越小。相反，学会了所有规则的机器可能会接管该工作。你认为该领域的专家会完全被计算机取代吗？

参考文献：

https://www.csuchico.edu/~pmccaffrey/syllabi/CMSD%20320/362unit4.html