基于特征重構自愈殘差網絡的神經元形態分類

何富運,韋燕,豐芳宇,錢有為

(廣西師范大學 電子與信息工程學院,廣西 桂林 541004)

大腦的結構和功能十分復雜,其病變通常會導致神經性退行疾病的產生。神經元作為大腦結構的基本單位,其結構和功能包含著很多因素,其中形態特征和電學特性是2個非常重要的因素[1]。神經元形態分類是探索和理解大腦神經功能的基本途徑,廣泛應用于神經元形態的三維重建、神經功能和結構映射等研究領域[2-4]。神經元形態與其功能息息相關,因此依據神經元的形態特征對神經元進行分類,非常有助于理解大腦的結構和功能。但神經元具有復雜多樣的形態結構,不同類型神經元之間的區別性小,而同類型神經元的子類和結構的區別性大,因而容易導致神經元形態分類準確率不高的問題。傳統的神經元形態分類,主要依賴于手動提取特征,不僅費時費力,而且分類準確率不理想。

近年來,深度學習在圖像分類中表現優異,逐漸成為研究圖像分類的主流方法。深度卷積神經網絡雖然在神經元形態分類領域展現出不錯的前景,但其性能遠未達到預期。因為在卷積過程中,若是一味地遵循卷積工作模式,隨著網絡深度不斷加深,將會丟失邊緣像素信息,不利于神經元形態特征的提取。Hinton等[5]為了解決感知偏差提出填充策略,該策略允許在輸入圖像的外圍使用零填充再開始卷積,這為邊緣像素與卷積核交互提供了更多的機會,從而抑制了卷積的感知偏差,增加了邊緣信息對特征提取的貢獻。同時,填充策略可以防止輸入圖像在卷積后出現特征收縮現象,在一定程度上提高了卷積神經網絡的性能。但在圖像處理領域中,每個像素都有它的實際意義,零填充會帶來新的數據并將其合并到圖像中,大量外來像素會逐層侵蝕特征信息,從而導致神經元分類性能受到影響[6]。

為了解決上述問題,本文深入研究卷積神經網絡的架構和神經元形態數據,以殘差網絡(residual network,ResNet)[7]為基礎網絡,提出了一種基于特征重構自愈殘差網絡(feature reconstruction self-cure residual network,FRSRN)用于實現神經元形態分類任務。具體流程為:在基礎網絡的后端搭建特征重構模塊,該模塊通過亞像素卷積[8]對特征進行重組,獲得更大的特征圖。使用大步幅的卷積核對特征圖進行二次提取以提高邊緣像素的感知頻率,從而緩解神經元的形態特征在提取階段因填充策略而導致的特征被外來像素侵蝕的問題。融合自注意力權重和排序正則化模塊,通過自注意力權重模塊為每一個樣本重新分配權重,排序正則化模塊對自注意力權重模塊學習到的權重進行降序以此確保學習到有意義的權重,促使網絡更加關注神經元幾何形態特征和有效地提取神經元形態分類判別性特征,從而獲得更加準確的神經元形態分類結果。

1 相關研究工作

早期,Wang等[9]根據原始空間幾何數據估計神經元形態特征,提出了一種新的基于支持向量機(support vector machine,SVM)的神經元形態分類方法。Alavi等[10]分析了多個維度的神經元圖像,并使用結構特征提取技術獲取其顯著特征,實現了對嚙齒動物腦干中的多巴胺能神經元進行自動化分類。Vasques等[11]使用L-measure提取形態學特征,并分別將無監督和監督分類技術應用于形態學特征分類。Fogo等[12]使用機器學習技術對線粒體形態進行計算圖像分析,可以對不同的生理和病理線粒體形態進行準確分類。

近年來,深度學習方法成為數字圖像處理的主流方法,與傳統機器學習方法不同,深度學習可以更深層次地提取神經元的形態特征,并實現自動分類,因此更加受到研究者的青睞。Lin等[13]分別構建了線蟲和斑馬魚2種不同物種的神經元數據集,在此基礎上提出了局部累加連接深度神經網絡的神經元形態分類方法,將神經元的幾何形態量化特征作為網絡的輸入來進行神經元形態分類。文獻[14]基于自適應投影算法將三維神經元圖像投影成二維圖像,并針對該數據提出了雙卷積門限循環神經網絡模型。文獻[15]使用了完整的神經元三維體素數據進行縮放,采用三維卷積神經網絡進行神經元幾何形態的分類實驗。Zhang等[16]提出了采用不同類型的深度神經網絡模塊可以很好地處理不同類型的特征,首先針對神經元圖像數據構建了一個卷積神經網絡(CNN)模塊,然后針對壓縮但非結構化的SWC格式數據構建了一個Tree-RNN模塊,最后將這2個模塊提取到的特征融合后再進行分類。Yamashiro等[17]對大鼠初級體感皮層(S1)和初級運動皮層(M2)中的神經元進行免疫組織化學染色,并借助深度學習算法對Nissl和NeuN免疫信號進行二分類。與上述方法不同的是,本文提出的方法是在解決傳統卷積缺陷的基礎上進行改進,并通過融合多個子網絡模塊來關注網絡感興趣的區域,從而達到較好的神經元形態分類性能。

本文以Zhang等[16]制作的大鼠神經元形態數據集作為實驗基礎,分別在3個神經元圖像數據集上進行二分類和十二分類實驗,以此來驗證本文方法的有效性。

2 方 法

神經元形態分類算法一般分為預處理、特征提取、神經元特征分類。面對具有復雜多樣結構的神經元,對每個像素信息的提取都極為重要。在卷積神經網絡中,填充策略可以緩解特征圖收縮和卷積過程中存在的感知偏差,但同時會引入新的特征,受Shi等[18]提出的去白化模塊(de-albino block)消除白化特征的啟發,結合神經元形態數據的特點,提出基于特征重構自愈殘差網絡(FRSRN)。本節將概述FRSRN,再詳細介紹每個模塊的功能。

2.1 總體框架

本文提出的FRSRN采用ResNet-18作為前端基礎網絡進行特征提取,為了解決卷積填充帶來的問題,在基礎網絡后端構建了特征重構模塊,該模塊是由亞像素卷積對已提取到的特征圖進行重組,獲得2個通道的特征圖,再進行二次處理得到更加準確和干凈的特征,從而更有利于神經元形態分類。同時,為了更好地讓網絡關注有效的神經元形態特征,使用自注意力權重模塊,為每個樣本重新分配權重,并在網絡訓練時引入了排序正則化損失函數。

如圖1所示,FRSRN主要由3個模塊組成:特征重構模塊、自注意力權重模塊以及作為輔助的排序正則化模塊。特征重構模塊將基礎網絡提取到的特征重新分配并進行二次提取。自注意力權重模塊進一步對樣本進行權重重新分配,并使用排序正則化模塊對權重進行排序,從而促進網絡關注到更加有效的神經元形態特征。

圖1 特征重構自愈殘差網絡

2.2 特征重構模塊

傳統卷積神經網絡在卷積過程中會出現感知偏差,即圖像邊緣像素與卷積核交互的頻率少于中間像素與卷積核交互的頻率。本文使用7×7的矩陣來表示圖像的像素感知頻率,如圖2所示,通過步幅為1,大小為3的卷積核在7×7的特征圖上進行卷積,圖中的數字表示卷積交互的次數,由此可知在卷積核進行卷積的過程中,邊緣像素的感知頻率要低于中間像素的感知頻率。隨著網絡層數的加深,容易丟失邊緣的重要信息,非常不利于神經元形態分類。因此,有研究者提出使用填充策略來緩解邊緣信息丟失的問題[5]。而引入填充策略會帶來新的問題,如使用零填充策略在卷積過程中零元素伴隨卷積操作流入新特征,造成原始特征被侵蝕的問題。

圖2 感知偏差示意圖

考慮到感知偏差和填充策略侵蝕特征都出現在圖像邊緣位置,如果能將受侵蝕程度相同的像素聚集在一起,同時保持它們的相對位置分布,再對其進行二次處理,便可緩解在提取過程中出現特征丟失和侵蝕的問題。亞像素卷積[8]可以將通道信息轉換為空間信息,同時還可以保存像素之間的相對位置。因此,本文在特征重構模塊中首先采用亞像素卷積進行特征重新分配,其具體實施過程如圖3所示,將每個特征圖相對應的位置像素點聚集以獲取更大的特征圖,其中相對應位置像素點的聚集稱為特征簇。

圖3 特征重新分配示例圖

為了更好地實現神經元分類,在基礎網絡的后端,構建特征重構模塊以提取更為干凈的形態特征,其結構如圖4所示。

圖4 特征重構模塊

通過ResNet-18提取512個通道的7×7特征圖,使用亞像素卷積對特征圖進行重構,得到2個通道的112×112特征圖,其中特征簇大小為16×16。卷積核的大小和步幅都會影響感知偏差,因此通過調整卷積核的大小重新將權重定性分配給不同位置的像素,同時考慮2個通道的相關性,獲得重構后的特征圖進行特征提取的卷積核必須為單通道且大于特征簇,這樣才能增強特征的多樣性,確保在特征提取過程中卷積核發揮作用。同時卷積核的步幅設置為8,為特征簇大小的一半。特征重構模塊的輸出將2個通道的特征均值化,分別代表了每個神經元的特征。

2.3 自注意力權重模塊

自注意力權重模塊(self-attention weight model)受啟發于文獻[19],通過自注意力權重模塊為每個樣本學習一個權重,以此捕獲對樣本的學習,該模塊由線性全連接層(fully connected layers,FC)和sigmoid函數組成。在預測神經元的樣本中,會存在較高或較低的權重,因此,在改進的網絡中,引入自注意力權重模塊為神經元樣本重新分配權重,在神經元形態特征中學習樣本權重從而進行損失加權。將F=[F1,F2,…,Fn]∈RH×W×C作為輸入,并輸出每個特征權重為

(1)

式中:αi表示第i個樣本的權重;Wa表示網絡關注FC層的參數;σ為sigmoid函數。

2.4 排序正則化模塊

由于神經元存在結構的相似性和復雜的多樣性,增強網絡對神經元形態特征的學習尤為重要。受文獻[19-20]的啟發,采用2個簡單的損失函數的線性組合來收斂網絡訓練。首先,對于N個神經元類別,網絡輸出N維向量,通過自注意力權重將輸出結果歸一化至[0,1]之間,設Wj表示的是第j個分類器,Yi表示第i個樣本中被分為i類的概率,則有

(2)

本文采用對數加權的方法,對于多分類任務,對數加權交叉熵損失函數定義為

(3)

并對自注意力權重模塊學習到的注意力權重使用輔助模塊即排序正則化模塊(rank regularization module),該模塊對學習到的注意力權重進行降序排列,然后以一定的比率β權重分為高低2組權重。

LRR=max{0,δ-(αH-αL)}

(4)

Lall=LRR+LCE

(5)

式中:LRR表示排序正則化損失函數;LCE表示多分類交叉熵損失函數。

3 實驗結果與分析

3.1 實驗數據集

本文實驗均在NeuroMorpho-rat數據集[16]中的神經元二維圖像數據集上進行,其中包含爬蟲獲得的原始神經元圖像(Img-raw)、軟件修復后生成的神經元圖像(Img-resample)和把XY對齊后的神經元圖像數據(Img-XYalign),相關參數如表1所示。

表1 神經元形態數據集的參數

本文分別對這3個神經元形態數據集進行二分類和十二分類實驗。二分類的神經元類型包含主神經元(principal cell)和中間神經元(iterneuron),十二分類是由6種主神經元(principal cell)、3種中間神經元(iterneuron)、2種膠質神經元(glia)和1種感受體神經元(sesensor receptor)的12個子類組成,其中主細胞神經元(principal)包含Ganglion、Granule、Medium spiny、Parachromaffin、Purkinjie和Pyramidal神經元,中間神經元(iterneuron)包含Basket、GABAergic和Nitrergic神經元,膠質神經元(glia)包含Microglia和Astrocyte神經元。

3.2 實驗設置

本文實驗是基于深度學習框架PyTorch1.10和解釋器Python3.7實現的,硬件配置是Intel Xeon Silver 4110 CPU 2.1 GHz、128 GB RAM以及NVIDIA RTX3090 24GB GPU,加速庫為CUDA 11.3。由于數據集的數量、分辨率有所差異,在對網絡進行訓練之前先對數據集進行預處理。將所有輸入圖像裁剪為224×224,3個數據集上的圖像批處理大小設置為64。訓練過程中使用SGD優化器對損失函數進行優化,初始學習率為10-3,權重衰減系數為10-4,γ系數為0.9。

首先,為了驗證本文網絡模型的有效性,在選定基礎網絡模型后,將本文提出的方法分別在3個神經元形態數據集上進行驗證,對訓練好的模型用測試集進行測試,生成相應的混淆矩陣,并對神經元形態分類效果進行分析。同時也比較了一些經典的分類方法。然后,為了驗證各個模塊對神經元形態分類的有效性而進行了相應的消融實驗。最后,使用t-SNE[21]分析高維特征的分布情況。

3.3 基礎網絡的選取

一般應用于圖像分類的深度學習網絡中最常見的分類模型是VGG[21]和ResNet[7]。因此,在Img-resample數據集上進行十二分類任務,驗證深度不同網絡的神經元形態分類性能,通過評估網絡模型的參數量和分類的準確率來確定基礎網絡,如表2所示。

表2 基礎網絡在Img-resample數據集上的準確率

實驗中使用到的超參數與本文提出的方法一致,輸入圖像均調整為224×224大小,并且均使用交叉熵損失的策略來訓練網絡。由表2可以看出,ResNet系列的整體準確率都優于VGG系列。因此從模型參數量和準確率這2個角度綜合考慮,ResNet18可以以較少的參數量獲得較高的分類準確率,這表明了ResNet18網絡模型更適合作為神經元形態分類的前端特征提取器。

3.4 消融實驗

首先,為了驗證特征重構模塊設計的合理性,在Img-resample數據集上進行對比實驗確定特征重構模塊的相關參數,具體實施:在整體網絡框架(見圖1)的特征重構模塊上將ResNet18提取到的特征圖重組成大小不同的特征圖進行對比實驗。如圖5所示,分別將基礎網絡提取到512×7×7的特征圖重組為2×112×112,8×56×56,32×28×28和128×14×14進行實驗,其中縱坐標為分類準確率,橫坐標是特征重組后對應的特征圖大小,512×7×7代表不使用特征重構模塊。從折線圖中可以看出,特征圖被重新組合成2×112×112的分類準確率最高,達到了86.94%;其次特征圖重組成8×56×56的準確率為86.06%,而另外2個組合的分類效果明顯下降,甚至低于未加入特征重構模塊的分類效果。實驗結果表明,在特征重構模塊中,將基礎網絡提取到的特征重組為2個通道的大特征圖適用于神經元形態分類任務。

圖5 特征圖重構實驗對比

其次,在Img-resample數據集上對排序正則化模塊的比率和裕度參數進行實驗評估。β作為高權重樣本組的比率,在實驗中對β為0.5～0.9進行實驗對比,實驗結果如圖6所示。當比率為0.7時,分類性能達到最佳,β過大,會降低整體網絡性能,β過小,會減少訓練的損失,不利于學習神經元形態特征。

同時,評估了用于控制高低2組權重的參數裕度δ,如圖7所示。實驗結果表明,裕度值為0.15時,分類性能較好。

通過上述實驗,確定了基礎網絡為ResNet18,特征重構模塊由亞像素卷積重構特征圖,獲得2個通道的大特征圖并使用大卷積核進行二次處理,同時引入自注意力權重模塊和排序正則化模塊,其中,排序正則化模塊將學習到的權重以7∶3的比例分為高權重組和低權重組。表3列出了本文提出網絡模型的詳細信息。本文以ResNet18作為前端特征提取網絡,保留了全局平均池化層(global average pool)之前的網絡層(ResNet18*),并使用在ImageNet上的預訓練權重進行初始化。通過基礎網絡提取到大小為512×7×7的特征圖,使用亞像素卷積將特征重新組合,重組后的特征通道由512個通道減少為2個通道,特征圖大小增加到112×112,經過此操作獲得更大的特征圖,利于后續二次特征提取,緩解特征弱化問題。此外,本文還引入了自注意力權重模塊,促進網絡更好地關注有判別性的神經元形態特征。

表3 FRSRN網絡的詳細信息

最后,為了評估本文提出網絡中各個模塊的有效性,以在ImageNet數據集上預訓練的ResNet18為基礎網絡,在Img-raw、Img-resample和Img-XYalign 3個神經元形態數據集上進行消融實驗。具體實施:以ResNet18為基礎網絡,再逐步加入特征重構模塊(FRM),自注意力權重模塊(weight)和排序正則化模塊(RRM),并在3個數據集上分別進行實驗驗證,比較最終的分類準確率。其中,每個數據集上都分別進行了二分類和十二分類實驗。從表4的消融實驗結果上看,分別融合3個模塊的網絡均能在基礎網絡上提升神經元形態分類的準確率。在基礎網絡上引入特征重構模塊,結果顯示3個數據集上的分類準確率分別提高了7.51%,0.11%,1.24%,說明特征重構模塊能夠有效緩解邊緣信息丟失的問題。在此基礎上,加入自注意力權重模塊,使網絡能夠更加關注到具有判別性的神經元形態特征,神經元識別率得到提升。改進后的網絡模型在3個數據集上進行二分類實驗,分別達到了95.19%,87.67%,87.18%的分類準確率。

表4 FRSRN在3個神經元數據集上消融實驗的結果(二分類)

表5是在3個數據集上分別進行十二分類的消融實驗結果。網絡將3個模塊融合使用,使得神經元形態分類獲得更高的分類準確率,在3個數據集上的分類準確率分別為96.7%,86.94%,85.84%,相比較于基礎網絡,分別提高了9.05%,2.56%,0.27%。

通過消融實驗,驗證了同時融合3個模塊可以解決傳統卷積提取邊緣特征能力的不足,并增強網絡學習的能力,能有效地增強神經元形態特征的表達能力和提升網絡的整體性能,從而提高網絡對神經元形態類型分類的準確率。

3.5 不同分類方法性能對比

為了探究該方法在神經元形態數據集上的表現能力,將本文提出方法與現有的經典圖像分類網絡(ResNet[7]、ResNeXt[22]和文獻[16])進行對比,分別在3個神經元形態數據集上進行二分類和十二分類實驗。此外,Zhang等[16]提出不同類型的深度卷積網絡可以處理不同格式的神經元形態特征,對于SWC格式數據提出了Tree-RNN模塊,對于神經元二維圖像構建卷積神經網絡(CNN),并將2個模型集成獲取最終的分類結果。而本文只針對神經元二維圖像進行研究,為了實驗的合理性,實驗對比的數據是在神經元二維圖像數據集上的分類準確率。

表6的數據為本文提出的網絡模型與其他分類方法在3個數據集上進行二分類的實驗結果。其中FRSRN在Img-raw數據集上分類準確率達到了95.19%,在Img-resample數據集上分類的準確率為87.67%,在Img-XYalign數據集上取得了87.18%的準確率。對比基礎網絡ResNet18,FRSRN在3個數據集上的分類準確率分別提高了8.38%,2.41%,1.68%。與Zhang等[16]使用CNN方法相比,FRSRN在3個數據集上的分類準確率分別提高了7.32%,3.63%,1.52%。從表中的實驗數據可以看出,本文提出的方法在處理神經元二分類任務中獲得較高的分類準確率。

表6 不同分類方法性能對比結果(二分類)

表7展示了本文提出的網絡模型與其他分類方法在3個數據集上進行十二分類的實驗結果。與其他分類方法相比較,FRSRN在神經元形態分類的準確率上有了明顯提升,其中在Img-raw數據集上分類準確率達到了96.7%,在Img-resample數據集上分類的準確率為86.94%,在Img-XYalign數據集上取得了85.84%的準確率。與基礎網絡ResNet18對比,FRSRN在3個數據集上的分類準確率分別提高了9.05%,2.56%,0.39%。與文獻[16]使用的CNN方法相比,FRSRN在3個數據集上的分類準確率分別提高了10.7%,3.7%,0.16%。

表7 不同分類方法性能對比結果(十二分類)

綜上,使用了不同分類方法對神經元分類性能進行比較,證明了本文提出的特征重構自愈殘差網絡在神經元形態數據集上對神經元類型進行分類的有效性。同時也說明了融合特征重構子模塊和自注意力權重子模塊能夠有效提高網絡性能,增強神經元形態特征的表達,從而有效地劃分神經元類型。

3.6 混淆矩陣與訓練過程分析

為了觀察本文提出的特征重構自愈殘差網絡在神經元形態數據集上的訓練過程及模型收斂情況,將訓練過程繪制成曲線圖以便分析。

圖8為本文方法在訓練和測試過程中的損失曲線圖。從圖中可以看出,訓練集和測試集的損失都能得到很好收斂,在前20個迭代中,兩者的損失值均迅速下降,其中測試集的損失值下降到0.15后趨于平穩。

圖8 FRSRN訓練和測試的損失曲線

圖9為本文提出方法的分類準確率變化曲線圖。從圖中可以看出,在整個過程中,訓練集和測試集在20個迭代之前準確率均迅速上升,其中測試集的準確率上升到約95%趨于平穩。

圖9 FRSRN訓練和測試的準確率曲線

同時,為了觀察神經元類型的分類情況,對神經元形態數據集進行混淆矩陣實驗。圖10是神經元原始二維圖像數據集的分類混淆矩陣,圖中“0”表示主神經元,“1”表示中間神經元,對角線上的值表示網絡對神經元類型預測準確的概率。對于二分類,主神經元的識別率為0.86,中間神經元的識別率為0.93。十二分類的混淆矩陣如圖11所示,其中感受體細胞和金字塔神經元的識別率均為1,且大部分的神經元識別率都超過了0.9,說明網絡能很好地準確分類原始神經元圖像。圖12給出了分類Img-resample數據集的混淆矩陣,二分類中由于神經元類內形態結構高度相似,主神經元很大概率會被識別成中間神經元。而經過處理的神經元數據,在十二分類中神經元識別效果卻沒有原始的數據好,如在識別感受體細胞時,有0.64的概率被預測成了藍狀細胞,證明這2類細胞的形態相似度比較高。

圖10 Img-raw的二分類混淆矩陣

圖11 Img-raw混淆矩陣

根據上述實驗結果可以看出,應用特征重構自愈殘差網絡分類神經元的形態類別,在Img-raw數據集上達到了很好的分類效果。而在網絡處理Img-resample數據集時,面對幾何形態差異較小的神經元時分類效果不甚理想。

3.7 結果可視化與分析

卷積神經網絡對神經元圖像形態分類的性能表現優異,但其無法觀察到網絡模型提取到的高維特征是否具有可分性。因此需要將高維特征數據進行有效的可視化以更加直觀和方便地分析高維特征數據。本文采用t-SNE(t-distributed stochastic neighbor embedding)[21]算法將數據可視化。t-SNE是一種非線性降維算法,可以保留數據的局部和全局結構。在高維樣本點空間中構建條件概率

(6)

式中:σi表示方差。

本文將高維數據映射到二維空間,使用條件概率來衡量高維和低維數據點之間的相似性

(7)

同時使用KL散度衡量2個分布之間的差異

(8)

圖13展示了對基于FRSRN提取到的高維特征進行t-SNE分析的示意圖,其中“0”代表主神經元,“1”代表中間神經元。初始化數據向量維數為121,將其降維并做可視化處理如圖13所示。圖中不同神經元的分布區域不同,只有少數中間神經元被錯分為主神經元,結果表明FRSRN可以有效地檢測到神經元的形態特征。

圖13 FRSRN進行二分類的t-SNE可視化

圖14給出了十二分類神經元的t-SNE分布,將不同類型的神經元劃分為不同的樣本組,意味著神經元類型的分類符合網絡學習到的特征。

圖14 FRSRN進行十二分類的t-SNE可視化

4 結 論

針對神經元的形態結構復雜,不同神經元之間的形態特征相似度高,難以實現自動分類的問題,提出了一種基于特征重構自愈殘差網絡的神經元形態分類方法,可以有效地抑制傳統卷積帶來的缺陷,防止深度卷積網絡過度擬合神經元圖像。本文提出的網絡先以ResNet18為基礎網絡,提取神經元的形態特征,然后在網絡后端構建特征重構模塊,使用亞像素卷積對特征圖進行重組,并使用大步幅的卷積核二次提取特征,從而緩解特征到侵蝕。同時,使用自注意力權重模塊捕獲樣本權重進行損失加權,并采用排序正則化模塊作為輔助模塊,確保自注意力權重模塊學習到有意義的樣本,從而提高分神經元分類準確率。所提出的方法有效地提高了網絡對神經元形態特征相關區域的關注度,與基礎網絡模型和其他經典的分類方法相比,可以有效地提高神經元形態分類的準確率。當然,神經元形態分類方法還有著較大的改進空間,實驗中發現仍存在一些問題對神經元形態分類效果具有較大影響,如神經元各類型之間存在高度相似性,尤其是同種類型的不同亞類之間具有高度相似的結構,網絡難以從這些樣本中學習到細微的差異性特征。在未來的工作中,將進一步考慮神經元的幾何形態特性,實現更多的面向神經元分類任務的網絡,提高判別性特征的質量,進而更好地完成神經元形態分類任務。