Vaa3d下的tracing算法--rivulet2算法和代码解析

参考文献

• [1]Siqi Liu, Donghao Zhang, Hanchuan Peng, Weidong Cai, Automate 3D Neuron Tracing with Precise Branch Erasing and Confidence Controlled Back-Tracking, bioarxiv
• [2] Rivulet2: A Robust Tool for Large-Scale Single Neuron Morphological Reconstruction, to be submitted
• [3] Rivulet: 3D Neuron Morphology Tracing with Iterative Back-Tracking*, Neuroinformatics, 2016.
• [4] Donghao Zhang, Siqi Liu, Sidong Liu, Dagan Feng, Hanchuan Peng, Weidong Cai, Reconstruction of 3D Neuron Morphology using Rivulet Back-Tracking, The IEEE International Symposium on Biomedical

//以上几篇文章preprint的文章的名字来源于rivulet2的源代码的help部分，可能已经发表或者更换了名字。
Neuroinformatics是SCI二区期刊。

算法主要内容

Rivulet2的源代码在vaa3d上能够找到，结合Rivulet2的源代码和结果谈谈效果和一些需要改进的点。
在追踪之前，先将图像根据输入的参数二值化，将完全没有前景像素的地方砍掉，存储到另一个地方。
R2将神经元的追踪分为了6个步骤。
前五个步骤分在预处理中，最后一个步骤是迭代。
前五个步骤分别是

1. 距离变换
2. 通过距离变换找SOMA和SOMA 半径，并设置SOMA MASK。
3. 得到速度图。
4. MSFM
5. 获取gradient map，梯度图。

第六个步骤是迭代。
预备步骤
1.Erase SOMA MASK
2.膨胀二值图。
迭代步骤 当遍历点少于98%时
1. 获取距离图最远点
2. Erase 最远点为-2
步进步骤 ，不停循环
1. step。根据梯度图步进一步。
2. 判断是否离开边界
3. 判断gap是否大于8倍平均半径
4. 判断是否到达SOMA
5. 判断是否原地踏步15次
6. 判断confidence系数是否较低
7. 判断是否到达之前已经被追踪过的点。
判断是否保留以及erase

算法的特点

1. 从MSFM的最远点，将该点作为追踪迭代的起点。这种点大概率优先满足末梢点的要求。
2. 通过预处理中得到的梯度图，利用RK4算法，龙格库塔算法，往某一个方向步进。
3. 判断该步进是否触及边界、是否触及已被追踪的点，是否触及SOMA，是否是低可信度等。满足不同的条件，进行不同的处理。

算法的缺点

1. 存在一些不该产生的毛刺。这个问题APP2也存在。这个问题不是单纯的剪枝能够解决的。每一个点被追踪一次。这是ALL-PATH-Pruning 所必须面对的问题。
2. 距离图的最远点不等于是末梢点，这个问题产生的原因是因为在经过gap的时候，会将这些点的距离值增大。举例来说，就是某一个分支第一次追踪起点可能是中间某一个点。这导致最后追踪的结果可以看到中间是分段的。
3. 半径估计不准。这个问题的起源可能在于追踪起点不是在中心，而是在边缘。