我知道编辑这个网站吗？

SNT › 自动追踪

此页面最后一次修订为 version 5.1.0。

可以通过主对话框中的“自动跟踪”菜单访问全自动跟踪例程。

灰度图像

灰度图像使用 Auto-trace › Grayscale Image… 命令对已加载的图像进行单细胞追踪，或者当图像包含多个细胞时使用 Auto-trace › Grayscale Image (Multiple Cells)… 命令进行处理（请参阅Multiple Cells）。基于文件和批量的变体可在Auto-trace › Batch Processing (Batch Processing)下获得。

该命令直接从灰度（强度）图像重建神经元结构，无需二值化。该方法对于深色背景上具有明亮前景结构的荧光显微镜图像特别有效。它建立在两个基本算法的基础上：APP2（具有快速行进和分层修剪的灰度加权距离变换）和neuTube（下面描述的post-processing的一些改进）。 SNT 通过自己的功能扩展了这些功能：

  1. 以全分辨率和本机位深度解析图像，无需下采样

  2. Big data支持：能够处理超出可用RAM的TB数据集

  3. 从手动注释中学习：能够从真实路径自动derive tracing parameters，减少在针对新数据集调整算法时的反复试验

  4. 修剪指导的分数图：能够使用基于血管的（例如，Tubeness/Frangi）或外部分割p图来更好地指导神经突的检测

  5. 跨越昏暗间隙的尖端延伸：能够“跳过”有气泡或不连续的信号

  6. 节点位置和半径的事后拟合refinement：能够通过捕捉神经突信号的轨迹来获得更自然的曲率

  7. 体细胞的自动检测：能够在多细胞标记的神经纤维中同时播种体细胞的追踪算法

  8. 区域控制的多细胞追踪：能够预测神经突是否属于_稀疏标记_多细胞神经纤维中的哪个细胞

有关技术实施细节和参考，请参阅SNT technical notes。

您可以按照这些说明使用File › Load Demo Dataset…并选择 1) Drosophila OP 神经元，果蝇嗅觉投射神经元和相应的地面实况重建（单细胞）；或 Microglia cells 数据集，这是小鼠视网膜中具有多个分支小胶质细胞的 2D 图像。

输入图像

灰度图像（强制） 要追踪的强度图像（2D 或 3D）。当前在 SNT 中加载的图像，或 Secondary image layer。应在深色背景上包含明亮的神经元结构。

体细胞/根检测

该算法需要一个起点（种子）来开始跟踪。有多种策略可供选择：

  • 没有任何。使用自动检测 根据Soma Detection自动检测最厚和最亮区域的体细胞/根部。无需投资回报率

  • 体细胞周围的区域 ROI：每个初级神经突一棵树 区域 ROI 描绘了体细胞边界。为离开体细胞的每个神经突创建单独的树，将它们扎根于体细胞周边。最适合复杂的形态，其中多个初级分支从细胞体中出现，并且需要单独分析单个神经突

  • 以 ROI 质心为根的单树 ROI 标记了体细胞位置。创建一棵以 ROI 的几何质心为根的树。适用于简单形态或整个乔木应表示为一个连接结构的情况

  • 以 ROI 加权质心为根的单树 与上面类似，但将树根植于体细胞区域内追踪的节点的强度加权质心，而不是 ROI 的几何中心。当 ROI 涵盖整个体细胞但可能未精确居中时更准确

处理 3D 图像时，_仅活动平面_选项将 ROI 限制为其特定的 Z 切片，从而防止算法考虑其他深度的根。

Gwdt autotracing

阈值

背景阈值 定义强度截止值，低于该值的像素被视为背景并从跟踪中排除。较低的值跟踪更多的结构（包括噪声），而较高的值跟踪较少的结构（可能会丢失暗淡的神经突）。

  • 使用-1（默认）使用图像统计数据进行自动阈值估计
  • 如果自动检测包含太多噪音或错过暗淡结构，请手动调整
  • 有效范围：-1（自动）至图像最大强度

分支过滤和评分

这些参数控制在最终重建中保留哪些分支：

分数图过滤器 选择用于计算每个跟踪段的置信度图的血管过滤器。分数图为每个节点分配“这个位置的管状程度”分数，从而实现适应每个段的最小半径的自适应修剪：修剪对于薄结构更宽松，对于厚结构更严格。选项包括：

  • None：禁用基于分数的修剪
  • Tubeness（默认）：基于 Hessian 的 tubeness 滤波器，根据初始重建的半径分布（25th/50th/75th百分位）计算得出的比例
  • Frangi：Frangi容器过滤器，另一种基于Hessian的方法
  • 辅助图像层：使用当前加载的secondary layer作为预先计算的分数图（例如，在SNT外部获得的深度学习概率图）

最小。分支分数 要包含的分支的最小强度加权分数阈值。该指标沿着每个分支路径累积归一化像素强度（而不是测量空间距离），因此较亮的分支比暗淡的分支累积分数更快。低于此阈值的分支将被视为噪声而被修剪。增加去除小杂散枝；减少以保留更精细的细节。默认值：5.0

分支灵敏度 控制相对于整体信号修剪暗分支的积极程度。值越高，要求越严格；较低的值更宽松。默认值：0.3

重叠容差 控制跟踪分支和现有结构之间的重叠检测。较高的值允许在修剪分支之前有更多的重叠。默认值：0.1

严格的提示过滤 启用后，会删除与其父分支基本重叠的终端分支。可用于消除遮蔽厚母神经突的假阳性分支。默认值：关闭

后处理

在初始树提取和分支过滤之后，几个后处理步骤细化了重建的几何和拓扑：

最大。分支角度 控制分支点父级重新分配（分支调整）。在每个分支点，算法测试将延续节点重新附加到其祖父母或兄弟节点是否会产生更直的路径。如果替代连接避免转弯超过指定角度，则重新布线拓扑。设置为 -1 以禁用。默认：90°

尖端延伸距离（体素） 基于 A* 的尖端延伸（实验功能）的最大距离（以体素为单位）。修剪后，沿切线方向扫描每个叶尖，以获取超出快速行进边界的明亮信号。如果在此距离内找到前景目标，则会沿着间隙追踪 A* 路径并将其嫁接到树上。每个候选桥梁都根据几何和强度标准（收缩比、方向兼容性、平均强度）进行验证。无法桥接的断开组件将被丢弃。设置为 0 以禁用。默认值：0（禁用）

删除锯齿形 启用（默认）后，迭代检测并折叠锯齿形伪影：均形成急转弯（角度为 90°—270°）的连续节点。内部节点合并到其父节点中。重复该过程，直到找不到更多锯齿为止，从而在交汇处产生更平滑的路径

删除过冲 启用后（默认），一次检测并删除过冲节点。如果一个节点形成急转弯并且其邻居（父节点或子节点）之一恰好是分支点，则该节点是过冲节点。此类节点可能代表跟踪工件，其中路径在返回之前稍微延伸经过交叉点

平滑 应用移动平均滤波器来减少跟踪路径中的残余不规则性。窗口大小决定了对多少个相邻节点进行平均。较大的窗口可创建更平滑的路径，但可能会丢失精细的细节。默认值：5（设置为 1 以禁用）

重采样 定期沿路径重新分布节点，以标准化节点密度。步长（以体素为单位）确定重采样节点之间的间距。对于确保整个重建过程中空间采样的一致性很有用。默认值：2.0（设置为 0 以禁用）

从选定路径学习参数

从选定路径学习参数… 按钮（位于自动跟踪提示中）从当前会话中已跟踪的路径派生跟踪参数。当开始使用新数据集时，这非常有用：您无需手动调整阈值和尺度，而是跟踪代表性神经突（或几个分支），然后让 SNT 从这些示例中提取合理的默认值。

Learning from Selected Paths (v5.1.0)

工作流程

  1. 手动追踪一条或多条代表性路径（或加载现有重建）。在路径管理器中选择它们

  2. 在 Auto-trace › Grayscale Image… 提示中单击从选定路径学习参数…。 SNT 分析所选路径并打开审阅对话框

  3. 查看结果。该对话框有两个部分：源统计数据（测量内容的只读摘要：路径计数、节点计数、平均半径、平均强度等）和_派生参数_（带有复选框的表）。每个派生参数都有一个复选框，控制是否应用它

  4. 申请。单击_应用并关闭_将检查的参数传输到自动跟踪提示中。仅应用选中的行；未选中的值保留其当前设置

派生参数

SNT 从选定路径中采样半径、强度和分支几何形状，以得出以下结果：

背景阈值 设置为沿追踪路径采样的平均信号强度的 25%。由于路径穿过明亮的前景，因此该平均值的四分之一提供了保守的底线，排除背景，同时保留暗淡的神经突。

得分地图比例 根据所有选定路径上节点半径的 25th/50th/75th 百分位数计算。这些百分位数成为基于 Hessian 的管状滤波器的 sigma 值，确保将分数图调整到所追踪结构的实际厚度范围。合并接近重复的比例（10% 以内）。

最小。分支分数 源自节点半径的第 10th 百分位数，下限为 3.0 像素。比观察到的最细半径短的分支可能是噪声。

最大限度。分支角度 设置为在子路径与其父路径分叉的分支点处测量的分叉角度的第 90th 百分位。这捕获了分支几何形状的典型范围，因此后处理分支调整步骤只能重新布线异常尖锐的转弯。

重新连接参数 （默认情况下未选中） 尖端延伸特征的三个值：最小收缩（观察到的最低路径收缩的 80%，下限为 0.3）、最大桥角度（分支调整角度的 120%，上限为 90°）和最大桥距离（体素单位中观察到的最大半径的 4 倍，下限为 10）。这些是保守的起点，默认情况下未选中，因为尖端扩展是一项实验性功能。

半径拟合

如果所选路径缺少半径（即，在未拟合的情况下追踪它们），SNT 会在分析前自动执行无损拟合。该拟合根据图像信号估计半径，而不修改原始路径。

为了获得最佳结果，请选择代表要自动跟踪的结构的路径：包括细分支和粗分支（如果存在），并确保路径跨越图像的典型强度范围。一些精心布置的路径（来自凉亭不同部分的 3-5 个分支）通常就足够了。

选项

连通性 定义追踪过程中使用的体素连通性的邻域：

  • 低（6 个连接）：仅轴对齐的邻居
  • 中（18 个连接）：轴对齐加上面对角邻居（默认） -高（26 个连接）：所有 26 个体素邻居，包括边缘和角对角线

调试模式 启用控制台的详细日志记录，对于故障排除很有用。

跟踪后 确定将跟踪的树添加到路径管理器后会发生什么。选项包括：

  • 什么都不做：简单地添加具有不同树间颜色的追踪树
  • 替换现有路径：在添加新跟踪之前清除所有当前路径 -准备校对：为每棵树分配不同的“暗淡”颜色并激活Curation Assistant以系统地审查重建
  • 替换现有路径并准备校对：结合以上两者

还支持整个目录的批处理。详情请参阅Batch Processing。

体细胞检测

Auto-trace › Detect Soma…命令提供神经元图像中细胞体的自动检测。这是一个独立的工具，可以在自动跟踪之前使用来识别体细胞位置，或独立地注释体细胞位置和大小。

/media/plugins/snt/snt-soma-detection.png

Automated soma detection: ROI countour (Cultured hippocampal neurons: Neuronal receptors/Synaptic labeling demo datasets)

检测策略

该算法使用组合 EDT 强度方法来识别体细胞：

  1. 欧几里得距离变换 (EDT) 识别图像中最厚的结构。由于体细胞通常是神经元最厚的部分，因此它们具有最高的 EDT 值
  2. 强度评分按像素强度对 EDT 进行加权，以支持明亮的结构
  3. EDT × 强度的乘积识别出既厚又亮的区域，这是标记良好的细胞体的典型特征

这种双重方法比单独使用强度更稳健，因为它可以有效地滤除亮但薄（低 EDT 值）的热像素和成像伪影。

检测范围

仅最亮/最大的体体 检测图像中单个最突出的体体 - 具有最高 EDT × 强度得分的结构。对于包含单个神经元的图像或当您想要识别主要细胞体时，请使用此功能。

图像中的所有体细胞 通过在 EDT 图中查找局部最大值来检测多个体细胞。每个局部最大值代表一个可能对应于细胞体的厚结构。选择此范围后，多个附加过滤参数将变得可用（见下文）。

阈值

强度阈值确定在检测期间哪些像素被视为前景。使用-1（默认）使用图像统计自动计算阈值。对于光照不均匀或信号弱的图像，可能需要手动调整。

多体过滤参数

仅当检测范围设置为_图像中的所有体细胞_时，以下参数才有效：

最小。半径 以空间校准单位表示的最小体细胞半径。由 EDT 导出的半径低于该值的检测将作为噪声（碎片、热像素等）被丢弃。默认值：0（不过滤）。

最小。体细胞间距离 检测到的体细胞中心之间的最小距离（以空间校准单位表示）。当大于零时，应用非最大抑制：在比该距离更近的检测中，仅保留 EDT × 强度得分最高的检测。这是分离紧密间隔的检测的最可靠方法。默认值：0（禁用）。

预计没有。 of somata [实验] 当大于零时，仅保留按 EDT 厚度排名的前 N ​​个检测。这使用额外的二值化步骤（最小自动阈值）来重新计算 EDT 并对候选者进行排名，这对于具有大的相连明亮区域的图像可能效果不佳。在大多数情况下，Min。 inter-soma distance（上图）是一种更可靠的过滤策略。默认值：0（禁用）。

输出类型

结果可以多种格式导出。检测所有体细胞时，输出将添加到图像叠加层（对于 ROI 类型）或路径管理器（对于路径输出）：

  • 单节点路径 在 SNT 的路径管理器中创建由位于 soma 中心的单个节点组成的路径。节点半径是根据距离变换估计的。对于重建中标记体细胞位置和播种multi-soma autotracing很有用

  • 点 ROI 在检测到的体中心放置一个点标记。标记位置的最简单输出

  • 区域 ROI 创建轮廓 ROI，概述体细胞边界，通过从检测阈值的中心进行洪水填充来确定。可用于测量体细胞大小或创建排除区域

  • 圆形 ROI 绘制以体细胞为中心的圆，其半径是根据距离变换估计的。当细胞体大致呈球形时，近似体细胞大小

多个单元格

Auto-trace › Grayscale Image (Multiple Cells)…命令在一次运行中追踪灰度图像中的所有细胞。它自动检测所有体细胞位置，然后使用 GWDT + Fast Marching 管道独立跟踪每个细胞，并使用排除掩模来防止细胞之间的区域重叠。

Autotracing of multiple cells

该命令与单细胞变体共享相同的跟踪参数（阈值、分支过滤、评分、后处理、平滑和重采样），但将 Soma/Root 检测部分替换为特定于多细胞重建的参数。

准确的体细胞检测对于多细胞自动追踪至关重要。多体细胞管道独立于其检测到的体体来追踪每个细胞，因此任何遗漏或虚假的检测都将在整个重建过程中传播。确保细胞计数正确的策略可以使用scripting进一步调整。

这种方法假设细胞在空间上可分离。因为每个追踪的体素都通过排除掩模专门分配给最近的体素，所以在同一区域中交织在一起的乔木将在第一个追踪的细胞声称的边界处被截断。对于具有重叠乔木的密集神经纤维，需要在追踪之前进行实例分割（例如，基于深度学习的体素分类）或光谱分离（例如，多色标记）来消除细胞歧义。

体细胞检测

这些是体细胞检测的过滤参数described earlier。

领土控制

领土范围 控制每个细胞的追踪可以向其最近的邻居延伸多远，以细胞间距离的分数表示。在 0.5（默认值）下，每个细胞都会追踪到体细胞之间的中点，因此区域会接触。高于 0.5 的值允许区域重叠 - 排除掩码仍会阻止实际的重新跟踪。设置为 -1 以禁用区域限制（无限传播）

多单元选项

排除缓冲区（体素） 从一个体细胞追踪后，追踪到的体素会被该缓冲区扩张，然后在后续的快速行进运行中被屏蔽掉。较大的值会创建更宽的禁区，从而防止重新追踪已被另一个细胞占据的神经突。默认值：5（设置为 0 以禁用）

最小。每个单元的路径 跟踪单元必须保留的最小路径数。产生较少路径的细胞（例如，没有神经突的仅有体细胞的痕迹）被丢弃。默认值：2

Auto-trace › Batch Processing下提供了批处理变体，用于处理图像目录。每张图像均通过自动体细胞检测进行独立处理，并将结果导出为 SWC 文件（每个检测到的细胞一个）。

脚本编写

通过脚本还支持对单个图像中的多个细胞进行全自动追踪。

准确的体细胞检测对于多细胞自动追踪至关重要。确保细胞计数正确的策略（从最不准确到最准确）：

  1. 使用默认值的全自动检测：使用默认参数的SomaUtils.detectAllSomas()。方便但对图像质量和细胞密度敏感
  2. 调整过滤参数：调整_Min。半径_和_最小。胞体间距离_以匹配预期的细胞形态（参见Multi-soma Filtering Parameters）
  3. 预期体细胞数：设置预期计数以仅保留按 EDT 厚度排名的前 N 个候选者。实验性；对于具有大的相连明亮区域的图像可能效果不佳
  4. 用户提供的坐标或 ROI：通过 SomaUtils.detectSomasAt() 提供准确的体细胞位置。最可靠的方法：绕过所有启发式检测，让您完全控制跟踪哪些单元格。使用精选种子时，请在跟踪器上调用 setAutoFilter(false) 以防止启发式过滤丢弃有效的体细胞

一般工作流程是：

  1. 检测体细胞位置：自动使用SomaUtils.detectAllSomas()，或使用SomaUtils.detectSomasAt()从用户提供的种子坐标/ROI
  2. 配置跟踪器：使用适当的参数设置 GWDT 跟踪器。当使用用户提供的种子（来自 ROI 或手动坐标）时，请在跟踪器上调用 setAutoFilter(false) 以防止启发式过滤丢弃有效的体细胞
  3. 追踪：将检测到的体细胞传递给 traceMultiSoma()，它为每个体细胞独立运行完整的 GWDT + Fast Marching 管道，并使用排除掩码防止追踪的区域被重新追踪

以下是使用基于 ROI 的种子的最小 Groovy 示例：

#@ SNTService sntService
import sc.fiji.snt.tracing.auto.GWDTTracer
import sc.fiji.snt.tracing.auto.SomaUtils

// Assumes SNT is running with an image loaded and ROIs marking soma locations
def snt = sntService.getInstance()
def imp = snt.getImagePlus()
def rois = imp.getOverlay().toArray() as List

// Detect somas at ROI centroids:
//   imp  - the ImagePlus with the image data
//   rois - collection of ROIs whose centroids mark soma locations.
//          Z is derived per ROI from Roi.getZPosition(); ROIs not
//          associated with a slice have Z resolved via MIP-based lookup
def somas = SomaUtils.detectSomasAt(imp, rois)

// Initialize the GWDT tracer:
//   1st arg - the image as an ImgPlus (false = do not duplicate)
//   2nd arg - background threshold (-1 = auto-estimate via Otsu)
def tracer = new GWDTTracer(snt.getLoadedDataAsImg(false), -1)
tracer.setAutoFilter(false) // disable heuristic filtering: seeds are user-curated

// Trace all cells and add results to the Path Manager
def trees = tracer.traceMultiSoma(somas)
println("Traced ${trees.size()} cell(s)")
sntService.addTrees(trees)

对于自动种子检测（不需要 ROI），请将种子检测步骤替换为：

def img = snt.getLoadedDataAsImg(false) // get loaded data as ImgPlus
// detectAllSomas parameters:
//   img        - the image as an ImgPlus
//   threshold  - intensity threshold (-1 = auto via Otsu)
//   zSlice     - Z-slice (0-indexed; -1 = auto: per-soma auto detection using MIP-based intensity lookup)
//   minRadius  - minimum soma radius in pixels (filters out small detections)
//   minDist    - minimum inter-soma distance in pixels (0 = no NMS filtering)
def somas = SomaUtils.detectAllSomas(img, -1, -1, 10, 0)

查找 AutoTracing_Demo(Microglia_Cells)_ demo script 了解其他详细信息。

分割图像

分段（二进制或阈值）图像使用基于骨架的跟踪进行处理，该跟踪将图像拓扑转换为神经元树结构。这种方法适用于前景/背景分离清晰的图像，其中结构已经通过阈值处理或其他预处理方法进行了分割。

该算法的工作原理是首先对分割图像进行骨架化以提取其拓扑结构，然后将所得骨架图转换为神经元树。当要处理的图像已打开时，使用 Auto-trace › Segmented Image… 命令处理分段图像；如果图像尚未从磁盘加载，则使用 Auto-trace › Segmented Image File… 命令处理分段图像。骨架化算法和图转换方法等技术实现细节参见SNT technical notes。

您可以按照这些说明使用File › Load Demo Dataset…并选择_Drosophila ddaC 神经元（Autotrace 演示）_。它将加载果蝇空间填充神经元 (ddaC) 的二进制（阈值）图像，显示自动重建的自动跟踪选项。

输入图像

分段（阈值）图像的全自动跟踪需要两种类型的输入：

  1. 分割图像（强制） 将从中提取路径的预处理图像。它将通过提取算法进行骨架化。如果设置阈值（推荐），则仅考虑突出显示的像素，否则将考虑提取图像中的所有非零强度。

  2. 强度图像（可选） 用于使用亮度标准解决分段图像中任何可能的循环的原始（未处理）图像。基于强度的循环分辨率策略所需（见下文）。

Binary autotracing

体细胞/根检测

根部检测通常使用区域 ROI 来标记图像上乔木的根部。对于神经元，这通常对应于标记体细胞的区域 ROI。有几种可能的策略：

  • 将根放在 ROI 的简单质心上 尝试将与 ROI 相交于其几何质心（ROI 轮廓的质心）的所有主要路径作为根。通常在以下情况下使用：1) 从体细胞分支出多条路径，2) ROI 准确定义体细胞的轮廓，3) 预计体细胞片段将成为重建的一部分

  • 将根放在 ROI 的加权质心上 与上面类似，但将根放在 ROI 包含的所有前景体素的质心上，而不是 ROI 的几何中心。当 ROI 轮廓不精确但仍包含相关结构时很有用

  • 沿 ROI 边缘放置根 尝试为沿 ROI 周边相交的所有主要路径设置根。如上所述，当多个路径从体细胞分支并且 ROI 定义体细胞的轮廓时，通常使用此选项，但预计体细胞片段不会包含在重建中。针对复杂拓扑的最准确策略

  • ROI 标记单个根 假设极化形态（例如，锥体神经元的顶端树突），其中正在重建的乔木在根部具有单个主分支。在此选项下，ROI 包含的“最近”端点（或连接点）将成为根节点。在这种情况下，ROI 不需要反映体细胞的准确轮廓

  • 无。忽略任何 ROI 如果不存在 ROI，则使用任意根节点

解析 3D 图像时，切换_仅活动平面_复选框可明确 ROI 标记的根出现在活动 ROI 的 Z 平面处。这确保了不会考虑 ROI 上方或下方的其他可能的根。

循环解析

骨架化图像通常包含虚假循环（循环），必须将其打破才能生成有效的树结构。有多种策略可供选择：

  • 最暗分支 删除循环中平均强度最低的分支。需要强度图像。当信号强度与结构重要性相关时效果最佳

  • 最暗体素 在单个最暗像素处切割循环。需要强度图像。比最暗的分支更精确，但可能对噪声敏感

  • 最短分支 删除循环中的最短分支（交汇点之间的骨架路径）。快速且适合简单的工件，但可能会无意中破坏主要结构

  • 最短段 使用最大生成树算法删除最短边。保留结构中最长的连续路径。适用于几何长度表示“重要性”的简单循环

  • 距离根最远 删除距离根/体最远的边缘。保留更靠近细胞体的近端结构。需要根定义的 ROI。仅在提供 ROI 后才可用。当体细胞附近的环预计比远端环更有意义/更重要时有用

  • 外围段 删除介数中心性最低的边（即，位于图形中较少的最短路径上的边）。无论几何长度如何，都保留结构的主干/主干。推荐用于拓扑重要性比几何形状更重要的复杂结构

注意：如果选择基于强度的策略但未提供强度图像，则算法会自动回退到_外围段_。

间隙和断开的组件

将结构分割成一个单一的、连贯的体积几乎是不可能的。这些选项定义了如何处理分段中的间隙。

  • 处理小组件的设置 这些选项确定算法是否应忽略太小而无法关注的段（与主结构断开连接的连接组件）。电缆长度低于指定长度阈值的断开线段将被算法丢弃。
    如果创建太多独立分支，请增加此值。减少它可以使提取偏向于较大的连续结构。

  • 处理相邻组件的设置 如果分割的图像被分成多个组件（例如，由于“串珠”标签）：算法是否应该尝试连接附近的组件？如果是这样，要合并的断开组件之间的最大允许距离应该是多少？
    你应该增加最大。如果算法产生太多间隙，则连接距离。减少它以最大限度地减少虚假连接。

注意：桥接组件时，可能会引入新的循环。这些将使用选定的循环解决策略自动解决。

使用路径方向（按住O）验证路径方向。按住F可暂时隐藏所有注释。

附加选项

对话框中提供了其他处理选项：

修剪单节点路径 是否应从最终重建中过滤掉没有子节点的单点路径。

跟踪后 如第earlier所述，此选项确定将追踪的树添加到路径管理器后会发生什么。

批处理

所有自动跟踪命令（灰度单细胞、灰度多细胞和分段图像）都可以以批处理模式处理整个图像目录。批处理命令可从_批处理_分隔符下的Auto-trace菜单或通过File › Load Tracings导入菜单获得。

在批处理模式下，所有跟踪参数配置一次并统一应用于输入目录中的每个图像。每个图像都会被加载、跟踪，并将生成的重建结果作为 SWC 文件导出到指定的导出目录。对于多单元批量处理，每个检测到的单元都会生成一个单独的 SWC 文件（名为 <image>_cell1.swc、<image>_cell2.swc 等）。记录单个图像的处理错误，但不会停止批次，因此剩余图像将继续处理。

批量参数

图像路径 包含要跟踪的图像的目录_或_可能太大而无法放入内存的单个文件（例如 OME-ZARR 或 .IMS 文件）的路径。

注意：

  • _浏览_按钮可能不允许您直接选择文件夹：在这种情况下，请简化选择该文件夹中的文件，然后手动将其从结果路径中删除。例如，如果目标是解析 /path/to/folder/，则浏览至 /path/to/folder/random.file，然后从文件路径中删除“random.file”

  • 对于灰度追踪，图像应在深色背景上包含明亮的神经元结构。对于分段图像跟踪，图像应该是二值掩模或阈值图像，其中非零像素代表前景结构。

导出目录 将保存 SWC 文件的输出目录。每个输入图像都会生成一个 SWC 文件。

所有其他跟踪参数（阈值、过滤、后处理等）均与相应的交互式命令共享，并应用于批次中的每个图像。体细胞/根检测在批处理模式下默认为自动（无 ROI 交互）。