更好地理解大脑工作机制，需要破译大脑功能背后复杂的神经元“连接线路 图”。大脑微观连接的研究需要通过连续切片和电子显微镜成像技术获得大规模 突触水平神经回路图像数据。由于基于切片的数据获取过程不可避免地造成脑 组织原始三维信息丢失，因此研究将序列二维电镜图像对齐成三维体块的脑序 列切片电镜图像体重建算法，恢复神经结构的原始三维形态对脑微观连接图谱 绘制至关重要。

脑序列切片电子显微镜图像体重建算法需要解决两个关键问题：神经解剖 结构 轴连续性恢复和解剖结构原始三维形态复原。针对这两个问题，本文充分 分析和利用脑切片图像内容中神经结构的生物学先验信息，从神经结构所在的 切片内二维空间（2D）、相邻切片间的三维空间（3D）、序列切片与参考体块对 应的二维到三维空间（2D-3D）三个角度出发，展开体重建算法的研究：本文首 先针对脑组织切片图像切片内纹理相似度高的特点，学习切片内二维神经结构 间的相对空间关系，提出基于自注意力机制的深度自监督图像配准网络，接着针 对脑组织切片间结构变化大的特点，建模切片间三维神经结构的形态变化关系， 提出基于神经形态模型的序列图像配准框架，从而实现序列切片图像中神经解 剖结构沿 轴连续性的恢复；最后，引入了原位参考信息，挖掘二维切片到三维 参考体块中神经结构在不同模态数据间的对应关系，提出基于 Transformer 的切 片到体块图像配准网络，完成序列切片电镜图像中神经解剖结构原始三维形态 的复原。论文的主要工作和创新点归纳如下：

1. 体重建中局部图像间相对空间关系学习。针对脑序列切片电镜图像切片 内相似性高引起的体重建困难，本文提出基于自注意力的自监督深度学习配准 网络，学习切片内局部图像块与全局内容之间空间相对性关系。提出的方法利用 卷积网络结合自注意力整合局部和全局空间相关信息，提高局部图像特征的显 著性，实现切片图像间空间形变场的获取，同时结合上空间变换网络对源图像进 行变形，实现端到端的自监督深度学习训练。在合成形变数据集和真实形变数据 集上进行对比，提出的方法在相似度指标上实现了 5%-15% 的精度提升。重建体 块的 轴剖面图表明提出的方法能够缓解对应关系错误带来的纹理模糊和边界不清的问题，可以提供平滑的变换，可靠的体重建结果证明了本文提出的方法在 恢复序列电镜图像三维形态上的有效性。

2. 体重建中相邻图像间神经结构变化关系建模。针对脑序列切片电镜图像 切片间结构差异大造成的体重建挑战，本文采用球形变模型来模拟局部神经元 三维形态结构，利用相邻图像中神经元结构形状的变化与配准精度之间的关系， 选择圆形结构提取对应关系，有效降低在复杂变化的神经组织图像中寻找准确 鲁棒对应关系的难度。在此基础上，本文提出了基于神经元形态学模型的序列切 片图像体重建框架，利用膜分割网络和神经形态学物理选择模型来筛选神经组 织图像中稳定的圆形结构区域，通过构建两两图像对间对应点距离的全局优化 函数，求得调整后的序列间对应关系。通过对脑切片中神经结构三维形态信息的 有效利用，提出的方法在多个数据集的实验比较中实现了更稳定的、更符合神经 解剖结构的脑序列切片电镜图像体重建。

3. 体重建中序列切片与原位参考空间对应关系挖掘。为了复原神经解剖结 构原始三维形态，本文引入脑组织样品显微计算机断层扫描成像获得的原位 3D 图像，引导序列切片电镜图像进行体重建。针对脑切片电镜 2D 图像与参考体块 3D 图像配准中存在的维度和模态差异的挑战，本文提出了基于 Transformer 的切 片到体块图像配准方法，利用解剖结构分割结果的点云作为配准方法的输入。本 文提出结合基于注意力机制的自特征增强模块和引导特征增强模块，找到不同 模态数据间正确的对应关系，解决不同成像模态带来的配准困难，提出基于交叉 注意的融合模块来消除维度鸿沟，自适应地关注对任务更有用的信息。在合成数 据集和真实数据集上与现有方法进行对比，提出的方法在定量评价指标上实现 了精度的提升, 切片与体块配准结果中解剖结构标志点间的距离减小到 3.89 。 本方法使切片电镜图像在参考体块图像中找到准确的对应关系，确定序列切片 在原始三维空间中的位置，从而实现神经解剖结构原始三维形态的复原。