测量值

SNT 提供了几种测量重建的方法。要测量完整的细胞，请使用主 SNT 对话框中的 Analysis › Measure…（或重建查看器中的Analyze & Measure › ）。要仅对选定的一组路径进行测量，请首先在路径管理器中选择或筛选要测量的路径，然后使用路径管理器的Analyze › Measurements菜单中的命令。

区分基于单元（即基于分支）和基于路径的测量的原因在于灵活性：基于路径的测量可以在任何结构上执行，甚至是具有环路的结构，而基于单元的测量要求结构为graph-theoretic tree。 Metrics 中描述了大部分 SNT 测量。 GUI 中可用的测量通常是单值指标。许多其他测量可通过scripting获得。

还存在便捷的_快速测量_命令（SNT 主对话框中的Analysis › 菜单或重建查看器中的Analyze & Measure › ），其中使用默认设置立即检索常见指标，无需提示。

重建的批量测量可以通过脚本来完成。例如，请参阅 bundled template script Measure_Multiple_Files.py 和相关批处理脚本作为示例。

关于拟合路径的注释：
当混合拟合和未拟合路径时，一些基于单元的度量可能不可用，因为路径是彼此独立拟合的并且可能不知道原始连接性。发生这种情况时，指标可能会报告为 NaN，并向控制台报告相关错误（在调试模式下运行时）。 如果这成为问题，请考虑使用“替换现有节点”选项在原位拟合路径。另外，请记住，您还可以使用路径管理器的“编辑”>“重建…”命令来重新计算路径之间的关系

统计数据

SNT 可为最多六组细胞汇总比较报告和简单的统计报告（双样本 t 检验/单向方差分析）。这在 Comparing Reconstructions 中有描述。此外，描述性统计通常通过频率/分布分析命令以直方图形式报告。

SNT 图表和绘图的注释：

• SNT 图表可缩放、可扩展，并使用科学绘图样式进行渲染，以尽可能方便出版。右键单击绘图画布，将其导出为矢量图形（PDF 或 SVG），访问自定义控件、浅色/深色主题切换以及在多面板图中聚合图表的选项

• 对于简单的图表，可以双击绘制的组件进行编辑并将数据导出为 CSV

• 直方图分布可以拟合到normal distribution（高斯）或Gaussian mixture model（请参阅直方图右键菜单中的_组件和曲线拟合_）。在这两种情况下，都会对曲线进行缩放，以便拟合曲线的area under the curve与直方图的area under the curve相匹配。 Quartile标记也可以重叠。默认情况下，使用 Freedman-Diaconis 规则来计算编号。直方图箱。

• 除非另有说明，所有径向图均显示角度 [0°-360°[ 度

• 虽然SNT不是统计分析软件，但它确实提供了一些基本的便捷方法来解析第三方数据。例如，请参阅 this example，了解如何将高斯混合模型拟合到 CSV 数据

比较重建

SNT can compare up to six groups of cells. The entry point for this type of comparison is twofold:

• Utilities › Compare Reconstructions/Cell Groups… in the main SNT dialog. This includes a convenience option to compare single reconstruction files.

• Neuronal arbors › Load & Compare Groups… in Reconstruction Viewer, allowing groups to be tagged, and imported into a common scene while being compared. 此功能的对话框提示允许选择最多六个包含重建文件的目录（SWC、TRACES、JSON、NDF）。要比较的指标是从指标下拉菜单中选择的。或者，可以将分析限制在特定的神经突区室。做出选择后，按确定运行分析。结果通常包括：

• 一份简单的统计报告，包括描述性统计和双样本 t 检验（比较两组时）或单向方差分析（比较三个或更多组时）
• 所选指标的比较图：分组直方图和箱线图
• 组的_蒙太奇_。这些是最多 10 个组示例的多面板小插图。这些都可以导出为 PDF、PNG 或 SVG

凸包分析

_凸包_命令（在 SNT 主对话框中，Rec. viewer 和 Rec. plotter）计算重建的 2D 或 3D 凸包（即包含其路径节点的最小凸多边形/多面体）。凸包测量在Metrics中定义。

应该分析

在主 SNT 对话框中，Shall 命令可在 Analysis 和 image contextual 菜单中使用，包括：

• Sholl Analysis… 基于一组预定义的、基于形态的焦点（例如，Soma、根节点：初级顶端树突）分析细胞。请注意，这假设相关形态标签已分配给正在分析的路径集。由于只有在提示消失后才能确定分析中心，因此采样外壳的预览可能不可用。

• Sholl Analysis (by Focal Point)… 在_精确_、用户定义的焦点上分析细胞。下一节对此进行了描述。

• Sholl Analysis at Nearest Node Sholl Analysis (by Focal Point)…的更粗略替代方案，通过右键单击_附近_节点从图像上下文菜单运行（快捷方式：⌥ Alt + ⇧ Shift + A。

Sholl 分析（按焦点）

为了精确定位分析中心：

1. 将鼠标悬停在感兴趣的路径上。按G激活它
2. Then, select the node to be used as focal point. This can be done in one of two ways:
   1. Select a node along the path as you would for forking operation: i.e., by pressing ⌥ Alt + ⇧ Shift while moving the cursor along the path (Note the “Fork Point” label appearing near the cursor on non-display canvases). With ⌥ Alt + ⇧ Shift still pressed, press A to start the analysis
   2. Make the path editable (right-click on the image and choose Edit Path from the contextual menu). Move the cursor along the path until the desired node is highlighted. Press ⌥ Alt + ⇧ Shift + A to start the analysis 注意：默认的 ⌥ Alt + ⇧ Shift 修饰符可以在主对话框的_选项_选项卡中进行简化。

通过此方法创建的 Sholl 对话框是通过从 Neuroanatomy Shortcuts 面板运行 Sholl › Sholl Analysis (From Tracings)… 创建的对话框的变体，有一些更改：

1. 由于分析中心在图像上精确定义，因此可以预览半径步长
2. 路径过滤下拉菜单提供了附加选项，可将分析限制为路径管理器中所选路径的子集 3.注释的类型更加专业化，包括：
   • 颜色编码节点 交叉点计数将被颜色映射到_注释 LUT_ 下的路径节点。
   • 3D 查看器标签图像 这会生成一个合成图像，在_注释 LUT_ 下保存距中心每个距离处的交叉点数量。然后可以将该图像馈送到传统 3D 查看器的“应用颜色标签”操作，以将映射“覆盖”在传统 3D 查看器场景上。

请注意，通过选择“保存”并在对话框中指定有效目录，可以将绘图和表格直接保存到磁盘。对话框中的其余选项在第 Sholl documentation page 中进行了描述。

#斯特拉勒分析

Strahler numbering 是一个数值过程，总结了数学树的分支复杂性。 Strahler classification发生如下：

• 如果分支是终端（没有子分支），则其 Strahler 数为 1
• 如果一个分支有一个子分支的 Strahler 数为 i，并且所有其他子分支的 Strahler 数均小于 i，则该分支的 Strahler 数又为 i
• 如果一个分支有两个或多个 Strahler 数 i 的子分支，并且没有具有更大数字的子分支，则该分支的 Strahler 数为 i+1

神经元乔木的“斯特拉勒数”反映了分类中的最高数量，即其根分支的数量。 Robert E. Horton 和 Arthur N. Strahler 的原创出版物包括：

• Arthur N Strahler，《侵蚀地形的测高（面积-海拔）分析》（1952 年）。 GSA 公告； 63（11）：1117-42。 doi: 10.1130/0016-7606(1952)63[1117:HAAOET]2.0.CO;2
• Arthur N Strahler，流域地貌的定量分析（1957）。 Eos，《美国地球物理联盟汇刊》，38(6), 913–20。 doi: 10.1029/TR038i006p00913 (PDF)

要对路径管理器的当前内容进行 Strahler 分析，请在主 SNT 对话框中选择 Analysis › Strahler Analysis…。此命令将以表格和绘图的形式输出分析结果。这些数字包含每个 Horton-Strahler 数处分支的形态统计数据（参见Strahler metrics）。

要直接从（阈值）图像进行分析，请查看Strahler Analysis (From Images)。

基于路径的分析

基于路径的分析接受_任何_跟踪结构（例如，断开的路径、与不同单元关联的路径等），甚至是那些具有循环的结构。虽然大多数 SNT 测量要求跟踪结构是有效的数学树，但基于路径的测量没有拓扑约束。此类别中有两个命令：Path Order Analysis 和Path Properties: Export CSV…。

路径顺序分析

此命令（SNT 主对话框中的Analysis › Path-based › Path Order Analysis）是Strahler的变体，具有以下差异：

• 分类基于_路径顺序_：路径是分类的范围（不是分支）
• 阶数的排序相对于 Strahler 分析（反向 Strahler 阶数）是相反的，主路径具有_阶数 1_，终端路径具有最高阶数
• 可以分析任何路径集合，而无需验证为正式树

路径属性：导出 CSV…

此命令 (Analysis › Path-based › Path Properties: Export CSV…) 将路径详细信息（形态测量、神经突区室、与其他路径的链接关系、起始和结束坐标等）导出到电子表格文件。

基于图集的分析

基于图集的分析需要用神经纤维 ID（图集标签）（例如 MouseLight 数据）来标记重建节点。一般来说，有两种类型的分析：Brain Area Frequencies和Annotations Graphs。

大脑区域频率

此命令（主对话框中的Analysis › Atlas-based › 菜单，或重建查看器中的Analyze & Measure › ）通过计算形态特征（尖端数量、电缆长度等）在大脑区域（neuropil标签）出现频率的频率直方图来总结大脑区域的投影模式。可以获得细胞组、分离的细胞或其部分的此类直方图。

注释图

注释图依赖于大脑注释（即神经纤维标签），通常用于获得投影组或大脑区域之间关系的无偏见、半定量总结。可以为单个单元格或单元格组生成注释图。报告神经突占据整个大脑区域/神经纤维区域的注释图有三种主要类型：1) 桑基（流）图、2) 摩天轮图和 3) 箱线图：

提示生成注释图，通常需要指定一组通用输入：

• 度量：定义连接性的形态特征（电缆长度、尖端数量等）
• 截止值：与小于此数量相关的大脑区域被排除在图表之外。例如，如果指标是“提示数量”并且该值为 10，则仅报告至少 11 个提示所针对的大脑区域
• 最深的本体 神经纤维标签要考虑的最高本体级别。作为参考，小鼠大脑图谱的最深级别约为 10。将此值设置为 0 会强制 SNT 考虑所有深度

其他类型的专用图在Graph-based Analysis中描述。

Graph-based Analysis

Analyses based on graph-theory are better performed via the scripting. However, SNT features a quite-capable Graph Viewer that has many built-in options for handling graph objects. 查看器提供方向、缩放级别、平移、顶点编辑和遍历的控件，以及自定义显示顶点（形状和标签）和边缘（形状和权重标签）的选项。还支持对主题的基本支持（包括_dark_、light 和_formal_）。 Graph Viewer 画布可以多种文件格式导出，包括 HTML、PNG 和 SVG。

通常，Graph Viewer 处理的最常见的图表类型是：

• 基于形态的图：Dendrogram可以从单根树结构中获得，并提供神经突分支拓扑的高级概述。在 GUI 中，可以通过主 SNT 对话框中的 Utilities › Create Dendrogram 或 Reconstruction Viewer 中的 Analyze & Measure › Create Dendrogram 创建树状图。通常，为单个细胞生成树状图

• 基于大脑注释的图表 如above所述，这些依赖于大脑注释（即神经纤维标签）。可以为单个单元格或单元格组生成注释图

最终，对 SNT 图形对象的细粒度编程控制是通过脚本实现的。相关资源：

• JGraphT：使用JAVA和Python API处理图论数据结构和算法的底层库
• SNT graph package：SNT 内图形创建的高级工具
• SNT 演示脚本：参见例如 Graph_Analysis.py 和 Flow_and_Ferris-Wheel_Diagrams_Demo.groovy，两个 SNT demo scripts
• Python 笔记本：有关 pyimagej 示例，请查看 半球分析 notebook

持久同源性

持久同源性计算不同空间分辨率下神经元重建的拓扑特征，这反过来又可用于获取其分支模式的拓扑特征。拓扑形态描述符（TMD）是第一个发布的使用持久同源性来描述神经元乔木的算法。它的描述如下：

Kanari, L.、Dłotko, P.、Scolamiero, M.、Levi, R.、Shillcock, J.、Hess, K. 和 Markram, H. (2017)。分支神经元形态的拓扑表示。神经信息学，16(1), 3–13。 doi:10.1007/s12021-017-9341-1。

SNT 通过支持多种描述符函数来实现 TMD 和 TMD 变体：

• 径向：节点和树根之间的欧几里得（即“直线”）距离，如 Kanari 等人的原始 TMD 描述中所使用的那样。
• 离心：节点的反转Strahler classification
• 测地线：节点和树根之间的“路径距离”
• 路径顺序：节点的path order
• 坐标：节点的 X、Y 或 Z 坐标

此外，SNT 还实现了基于持久性景观的描述符，如 Bubenik, P. (2012) 中所述。使用持久性景观进行统计拓扑数据分析。 ArXiv。 doi:10.48550/ARXIV.1207.6437。

目前，_基本_持久同源描述符可以使用 UI 命令Analysis › Persistent Homology…（主界面）或Rec. viewer中的Analyze & Measure › Persistent Homology…来计算。可以使用scripting获得描述符的完整提取。 例如，参见持久性景观 notebook tutorial。

轮廓分析

轮廓允许测量由 ROI 或神经纤维注释（例如，皮质层、生物标志物或复染地标）定义的其他结构内的重建比例。描绘分析可以回答的一些问题包括：

• 神经元的分支模式是否沿层（细胞层）变化？
• 病变部位附近的分支与远离病变部位的分支是否不同？
• 神经元感受野的各个子区域是否存在形态差异？

描述见Delineation Analysis。

根角分析

根角分析测量神经突偏离体细胞（或神经元乔木根部）直接路径的角度分布，这是由Sholl profiles捕获的功能特性（另见angular Sholl）。它量化了 balancing factor、centripetal bias 和 mean direction 等属性。它的描述如下：

doi:10.1016/j.celrep.2019.04.097

根角定义为神经突节段（从终止点到胞体向心定义）与到胞体或根的直接路径之间的角度（参见Bird and Cuntz 2019）。分析进行如下：

• 按向心顺序（从尖端到根部）向心计算心轴中每个节点的根部角度

• 根角的分布符合von Mises distribution，这是一种对角度/方向进行建模的专门概率分布。 von Mises 可以被认为是“包裹法线”，或者是正态分布的圆形类似物，因为它解决了处理围绕 0° 和 360° (2π) 相同的圆旋转的角度时出现的“包裹”问题。

• 然后根据 von Mises 拟合计算 Centripetal bias、Balancing factor 和 Mean direction

可以从主对话框中的Analysis menu、重建查看器的Analyze & Measure菜单或template scripts中执行分析。下面的屏幕截图描述了分析 › 根角分析 模板脚本的输出：

增长分析

生长分析提供了神经元模式的详细延时分析，并需要在时间范围内匹配跟踪路径，如 Time-lapse analysis 演练中详述。通过Path Manager的Time-lapse Utilities菜单访问分析。

先决条件

• 时间匹配的路径：必须首先使用 Match Paths Across Time… 命令标记路径，以便与同一神经突关联的延时序列中的所有路径都使用公共神经突标签进行标记，例如“{神经突 #1}”、“{神经突 #2}”等，如 Time-lapse analysis 演练中所述。
• 足够的时间点：每个神经突至少有 3 个时间点才能进行有意义的分析。监测延伸角度的变化通常需要至少 4 个时间点

还可以分析 SNT 外部生成的数据： 1.导入与时间序列相关的所有重建文件

1. 使用 Match Paths Across Time… 应用“{neurite #}”标签 3.运行Growth Analysis…

分类算法

Growth Analysis…命令根据相对于每个神经突的总体平均生长速率的瞬时生长速率对生长阶段进行分类。从算法上来说，分类的工作原理如下：

1. 计算神经突的总体生长速率以建立基线

2. 移动窗口沿着时间序列“滑动”以识别生长数据中的相变。该检测结合了三种不同的检测方法，可以更可靠地识别生长模式发生变化的位置。这些包括：
   • 均值漂移检测：旨在检测平均增长率的突然变化。这通常可以有效地检测滞后 → 快速；快速→高原；和稳定 → 缩回过渡（见下文）
   • 方差变化检测：检测增长率变异性的变化，例如从稳定增长到可变增长的转变
   • 趋势变化检测：检测生长加速/减速模式的变化
3. 然后将增长率分为五个增长类别或阶段：

相	定义	解读
撤回	阶段率低于总体增长率的 -min%	主动收缩
滞后	总体增长率的阶段率 ≤ min%	增长缓慢
高原	阶段率绝对值< min% of overall growth rate	Minimal net growth
Steady	Phase rate within min% - max% of overall growth rate	Moderate growth
Rapid	Phase rate >总体增长率的最大%	快速扩展

将_总体增长率_、_阶段率_和_阈值_定义为：

学期。	定义
总体增长率	线性回归的斜率适合长度测量的整个时间序列。它代表整个观察期内长度增加的平均速率
相率	相边界内瞬时速率的平均值，每个时间点 t 处的瞬时速率定义为 (length[t+1] - length[t]) / (time[t+1] - time[t])
最小%和最大%阈值	截止阈值确保例如快速生长的神经突不会被错误分类为始终“快速”，或者缓慢生长的神经突不会被错误分类为始终“滞后”。 min% 截止值代表生长测量的本底噪声，而 max% 代表显着加速的截止阈值。截止阈值可以全局计算或相对于每个神经突的整体生长率

输出

1. 生长阶段时间轴：生长阶段的时间可视化。这是一个时间线图，显示了每个神经突生长阶段的时间进展。每个神经突都表示为水平行，其中带有颜色编码的片段，指示随时间变化的不同生长阶段

2. 随时间变化的长度：带有趋势线的散点图，显示各个神经突随时间的生长轨迹。每个神经突由连接不同时间点测量的长度值的彩色线表示

3. 相分布：相类型的统计摘要。这是两个环形图，总结了所有分析的神经突的生长阶段。 “生长阶段”图总结了不同阶段的相对频率，而“生长阶段持续时间”图总结了累积持续时间

4. 随时间变化的角速度：角速度是角位置随时间的变化率。它测量神经突延伸方向随时间变化的速度。此类数据可了解神经突改变方向的频率以及其定向生长的稳定性

5. 随时间的延伸方向：神经突随时间的绝对延伸角度

6. 汇总测量：绘制数据的表格值

输入参数

The algorithm has several adjustable parameters that can be set in the “Growth Analysis…” prompt:

• “滞后/平台”阶段的阈值 (%)：定义对生长阶段进行分类的最小增长率阈值。低于此阈值的增长率被归类为_Lag_ 或_Plateau_。计算为每个神经突总体线性增长率的百分比。较低的值允许检测细微的生长变化，而较高的值仅检测明显不同的缓慢阶段。范围：10% - 50%（默认为 30%）

  例如，对于总体生长率为 2.0 μm/m 的神经突：阈值为 30%，低于 0.6 μm/m (2.0 x 30%) 的生长将被归类为滞后/平台。

• “快速”阶段的阈值 (%)：定义对_快速_生长阶段进行分类的最小增长率倍数。高于总体增长率倍数的增长率被归类为快速增长。计算为每个神经突总体线性增长率的百分比。较低的值允许检测中等生长加速度，而较高的值仅检测非常快的加速度。范围：110% - 300%（默认为 150%）

  例如，对于总体生长率为 2.0 μm/m 的神经突：阈值为 150%，生长速度高于 3.0 μm/m (2.0 x 150%) 将被归类为“快速”。

• 阈值计算：“全局”或“每个神经突”。如果是全局的，则阈值是相对于所有神经突的平均生长率来计算的。如果“每个神经突”：阈值是相对于每个神经突的个体生长率计算的

• 相位检测灵敏度：灵敏度范围为 0.05 至 1.0（默认值为 0.5）。较低的值对应于较高的灵敏度，检测更多的相变（导致更短、更多的相）。值越高，灵敏度越低，检测到的转变越少（导致相位更长、更少）。如果检测到太多短相，请增加此参数。如果错过了明显的相变，则减少它

• 窗口大小（帧数）：控制 phase detection algorithm 的“移动窗口”的大小。较高的值可通过较少的相位提供更稳定的检测，而较低的值可检测更详细的变化，但可能包括虚假转换。范围 2-40 帧（默认为 3）

• 回缩长度阈值 (%)：定义将某个阶段分类为_回缩事件_所需的神经突长度减少的最小百分比。它是在潜在回缩开始时计算的。如果出现虚假的“撤回”分类，请增加此阈值。范围：1% - 50%（默认为 5%）

  例如，A 神经突在给定帧中的长度为 100 μm，并在后续帧中将其长度减小到 94 μm。减少了 6%：在 5% 的阈值下，此更改将被归类为“撤回”。

• 过滤选项：过滤选项是可选的，但对于嘈杂的数据集可能有用：

  • 最小长度：在整个延时过程中从未达到此长度的神经突将被忽略。它允许从分析中排除非常短的路径
  • 最短持续时间：延伸时间短于此持续时间的神经突将被忽略。允许将短命的神经突从分析中排除

其他专业分析

请参阅SNT Scripting，以及演示一系列分析可能性的脚本模板。