IF36.1｜CAR平台：AI增强的协作式神经元三维重建

用群体智能加AI，让小鼠和人脑神经元重建又快又准。

这篇按生信解读号的读法拆：先看背景和问题，再看作者怎么做、做出了哪几条硬发现，最后把数据和代码收走。

研究背景

神经元三维形态重建是神经科学的基础任务，但传统手动重建效率低，自动算法在复杂图像上准确率不足。已有大规模项目如MouseLight和BigNeuron积累了数千个小鼠神经元形态数据，但重建质量仍依赖人工校对。现有工具多基于二维切片或非沉浸式三维观察，难以处理长程投射神经元的复杂分支和噪声图像。协作标注工具虽已出现，但多针对二维图像，缺乏实时同步和跨设备支持。AI辅助重建方法开始用于分支点检测等任务，但缺乏与人工验证的有效整合。

科学问题

卡在哪里： 现有重建工具无法同时满足大规模、高精度和跨团队协作需求，自动算法在低信噪比图像上错误率高，人工重建效率低且主观偏差大，缺乏有效的AI增强协作框架。

本文要回答： 开发一个AI增强的协作式重建平台CAR，支持多设备实时协作和AI辅助校验，并在小鼠和人脑神经元上验证其准确性和效率。

技术路线

作者主要用了：CAR平台、VR/移动端/游戏机、BPV/TPV卷积神经网络、APP2自动追踪、CCFv3配准。

作者设计CAR平台，采用云服务器架构，支持桌面端、VR、移动端和游戏机等多种客户端，实现实时协同标注。平台集成AI工具BPV和TPV，在重建过程中自动检测分支点和终末点错误。工作流从自动检测胞体开始，用户通过移动端确认，然后在桌面或VR端进行分支追踪，AI定期推送错误提示，最终由游戏端进行拓扑验证。该设计将群体智能与AI结合，通过交叉验证和共识机制提高重建准确性。

图 1　Fig. 1。图1展示CAR平台架构：云端服务器管理数据、任务和用户，支持工作站、VR、游戏机和移动端等多种客户端。右侧显示从厘米到微米尺度的形态测量任务，包括脑区标记、完整神经元重建等。该图强调平台的实时协作和AI增强特性。

核心亮点

亮点 1｜20个脑区投射神经元重建准确率超90%

CAR平台用于重建小鼠全脑20个脑区的投射神经元，这些神经元轴突长、分支复杂（300-1300个分叉点）。通过公民科学家协作和专家把关，所有神经元重建准确率超过90%。对比协作与非协作重建，发现协作版本总神经突长度84.8 cm，非协作版本有37.3 cm的差异（约44%结构被修改），表明协作能有效纠正错误连接和缺失分支。随着用户共识增加，重建准确率稳步提升至90%以上。

图 2　Fig. 2。图2展示20个不同脑区的小鼠神经元完整重建结果。左上为注册到Allen标准图谱的俯视图，每种颜色代表一个神经元。下方和右侧分别显示各神经元的类型、重建准确率、分叉数和总长度。对比协作与非协作重建的投影图显示大量修改（红色和蓝色分别表示添加和删除），说明协作纠正了约44%的结构。

亮点 2｜BPV和TPV在重建全程保持高精度

BPV（分支点验证器）和TPV（终末点验证器）基于卷积神经网络，在重建过程中每3分钟评估一次当前形态。以OT神经元为例，与专家验证结果相比，BPV和TPV在整个重建过程中的准确率、精确率和召回率均超过90%。在其他具有细弱轴突的投射神经元上，TPV平均准确率超过90%，BPV超过85%。这表明AI工具能可靠地提供纠错提示，且性能不受重建完整度影响。

图 3　Fig. 3。图3展示BPV和TPV在OT神经元重建过程中的表现。左侧显示T2和T5阶段的重建形态，虚线表示T2中错误部分在T5被删除。右侧图表显示BPV和TPV在八个阶段的TP、FP、FN等指标，准确率、精确率和召回率均保持在90%以上。

亮点 3｜人脑皮层神经元重建：CAR比传统工具更快更准

在10个皮层区域重建80个人脑神经元（主要为锥体细胞），图像噪声大。CAR支持2-4人协作，随着协作者从2人增至4人，重建时间减少7%-18%，错误率从15%以上降至7%。与Vaa3D和SNT相比，CAR在7.5分钟内达到80%以上准确率，而Vaa3D和SNT需近两倍或三倍时间且最高准确率仅50%-60%。在噪声图像上，CAR在7.5分钟内达到85%准确率，Vaa3D需15分钟仅70%，SNT 20分钟漏掉80%以上神经突。

图 4　Fig. 4。图4展示人脑皮层神经元重建结果。左侧为10个脑区的语义映射方案，每个脑区显示重建神经元数量和副本数。右侧显示代表性细胞图像、用户参与热图和局部结构复杂度。下方对比CAR、Vaa3D和SNT的重建准确率随时间变化，CAR在7.5分钟内达到80%以上，而其他工具最高仅50%-60%。

亮点 4｜全脑尺度胞体与突触扣结的高效标注

CAR-Mobile用于58个全脑小鼠图像的胞体标注，30名用户在约4周内标注156,190个胞体，覆盖609个脑区，每个胞体平均耗时5.5秒。自动检测结合人工验证，提高了胞体位置精度。此外，在轴突追踪基础上，CAR用于验证突触扣结（bouton），在三个随机图像区域中，精确率和F1分数均超过0.9，证明CAR适用于全脑形态学分析。

图 5　Fig. 5。图5展示全脑胞体标注和突触扣结验证。左侧为156,190个半自动标注胞体在CCFv3中的分布，不同颜色代表不同用户。右侧为八个选定脑区的放大视图，显示自动追踪的树突。下方展示三个随机区域的轴突和扣结，精确率和F1均超过0.9。

生信可带走

这一块是给做分析的人用的，不是科普点缀。

• 方法栈： CAR平台、VR/移动端/游戏机、BPV/TPV卷积神经网络、APP2自动追踪、CCFv3配准
• 公开数据： 原文未给出公开组学登录号
• 代码： 公开仓库 https://github.com/neurogeom/CAR、https://github.com/replicate/cog；本地已克隆：cog、CAR
• 谁该点开原文： 从事神经元形态重建、大规模脑图谱项目或AI辅助标注工具开发的神经科学研究者。

带走一句

协作加AI校验能大幅提升神经元重建的准确性和效率，值得在大型形态学项目中推广。