这篇博士学位论文主要探讨了在音视频领域的光学显微图像处理技术，特别关注于神经元形态的重建和可视化方法。随着光学显微镜技术的进步，神经科学研究中获取的图像数量和复杂性急剧增加，如何高效地处理这些数据成为了一个挑战。论文提出了三种主要的方法：
1. 移动射线爆发采样算法：结合多尺度图像滤波和距离变换，用于检测神经元细胞体并进行表面重建。这种算法能够在不同密度、大小和形状的细胞中准确检测，并且重建出接近球体的细胞体。其速度非常快，主要时间消耗在于多尺度滤波过程。此方法适用于Micro-Optical Sectioning Tomography (MOST)数据，可为突起追踪提供起点。
2. 预测修正追踪算法：用于追踪光学显微图像中的突起轨迹，重建树形结构。无论是在模拟数据还是真实LM图像上，此算法都能表现出高召回率和准确率，能在自动或半自动模式下实现交互式速度。它可以应用于MOST数据以重建单个神经元和局部连接回路，同时也能用于血管结构的追踪和重建。
3. 基于图形处理器加速的光线投射算法：采用体数据分块策略，实现大容量LM图像的高质量三维交互式可视化。该算法集成了胞体检测和突起追踪算法，开发了名为flNeuronSight的神经元形态重建和可视化软件，能处理大量节点的神经元重建结构，达到交互式帧速率。软件性能和可用性在实际应用环境中得到了验证。
论文指出，面对大规模神经元形态的重建和可视化任务，需要各种算法的联合应用。这些研究提供了一套新的解决方案，为这一领域的进一步发展做出了贡献。关键词涵盖了光学显微镜、图像分析、神经元形态数字化重建、胞体检测、突起追踪以及可视化等核心概念。
这篇论文深入研究了光学显微图像中的神经元形态处理，开发了高效的检测、追踪和可视化技术，对于理解大脑功能和行为机制具有重要意义，同时也为神经科学领域的数据分析提供了实用工具。
