NeuronStitch: an automated tool for repairing broken axonal traces for accurate morphological reconstruction

The accurate reconstruction of neuronal morphologies is a critical step in understanding the complex structure and function of the brain. This study intro- duces a novel algorithm for neuronal reconstruction, designed to address limitations in existing methods. Leveraging advanced techniques, including curvature-based optimization and vector alignment, the proposed algorithm excels in reconstructing fragmented neuronal structures while maintaining high specificity and precision. The algorithm’s development and initial testing were based on an experimental dataset provided by the Laboratory of Anatomy, Histology, and Neuroscience at the Universidad Autónoma de Madrid, ensuring its applicability to real-world neu- roanatomical data. For the evaluation phase we used the MouseLight dataset, a benchmark in neuroanatomy known for its high-resolution and intricate morpholo- gies. Artificial gaps were systematically introduced to simulate challenges such as data loss and noise. Performance was assessed using key metrics: Accuracy, Precision, and Specificity. The proposed algorithm consistently outperformed the state-of-the-art, achieving an average Accuracy of 97.68% and Specificity of 95.55%, with low variability across iterations. In contrast, state-of-the-art algorithms ex- hibited significant fluctuations, particularly in Specificity, averaging 64.77%. To ensure generalizability, an extended validation phase was conducted using nine additional neurons from the MouseLight dataset, representing diverse brain re- gions such as the hippocampus, cortex, and cerebellum. This phase demonstrated the algorithm’s robustness and adaptability across varying neuronal morphologies, consistently delivering high performance even in regions with dense branching and complex connectivity. A major contribution of this work is its potential to significantly reduce the reliance on manual stitching in neuronal reconstruction workflows. The proposed algorithm automates this process, enhancing both efficiency and accuracy, and offers a user- friendly interface for neuroanatomists. Future developments will focus on gathering feedback from a broader community of researchers to further refine the tool and ensure robust performance even in the most challenging datasets. In conclusion, the proposed algorithm represents a significant advancement in com- putational neuroanatomy, providing an efficient and accurate tool for reconstruct- ing complex neuronal networks. Its seamless integration into existing workflows, coupled with its potential for continuous improvement, paves the way for more precise and large-scale mapping of neuronal circuits.

La ricostruzione accurata delle morfologie neuronali è un passaggio fondamentale per comprendere la complessa struttura e funzione del cervello. Questo studio introduce un nuovo algoritmo per la ricostruzione neuronale, progettato per superare le limitazioni dei metodi esistenti, come l’algoritmo di Rembrandt. Sfruttando tecniche avanzate, tra cui l’ottimizzazione basata sulla curvatura e l’allineamento vettoriale, l’algoritmo proposto eccelle nella ricostruzione di strutture neuronali frammentate, mantenendo al contempo alta specificità e precisione. Lo sviluppo e i test iniziali dell’algoritmo sono stati effettuati su un dataset sperimentale fornito dal Laboratorio di Anatomia, Istologia e Neuroscienze dell’Universidad Autónoma de Madrid, garantendo la sua applicabilità a dati neuroanatomici reali. Per la fase di valutazione, è stato utilizzato il neurone AA0048 del dataset MouseLight, un riferimento nel campo della neuroanatomia noto per le sue morfologie ad alta risoluzione e complessità. Sono stati introdotti sistematicamente gap artificiali per simulare sfide come perdita di dati e rumore. Le prestazioni sono state valutate utilizzando metriche chiave: Accuratezza, Precisione e Specificità. L’algoritmo proposto ha costantemente superato Rembrandt, raggiungendo una Accuratezza media del 97,68% e una Specificità del 95,55%, con una bassa variabilità tra le iterazioni. Al contrario, Rembrandt ha mostrato fluttuazioni significative, in particolare nella Specificità, con una media del 64,77%. Per garantire la generalizzabilità, è stata condotta una fase di validazione estesa utilizzando altri nove neuroni del dataset MouseLight, rappresentativi di diverse aree cerebrali come l’ippocampo, la corteccia e il cervelletto. Questa fase ha dimostrato la robustezza e l’adattabilità dell’algoritmo a morfologie neuronali variabili, fornendo prestazioni elevate anche in regioni con ramificazioni dense e connettività complessa. Un contributo significativo di questo lavoro è il suo potenziale nel ridurre notevolmente la dipendenza dalla cucitura manuale nei flussi di lavoro di ricostruzione neuronale. L’algoritmo proposto automatizza questo processo, migliorando sia l’efficienza che l’accuratezza, e offre un’interfaccia user-friendly per i neuroanatomisti. I futuri sviluppi si concentreranno sul raccogliere feedback da una comunità più ampia di ricercatori per affinare ulteriormente lo strumento e garantirne le prestazioni anche nei dataset più impegnativi. In conclusione, l’algoritmo proposto rappresenta un significativo avanzamento nella neuroanatomia computazionale, offrendo uno strumento efficiente e preciso per la ricostruzione di reti neuronali complesse. La sua integrazione fluida nei flussi di lavoro esistenti, unita al potenziale di miglioramento continuo, apre la strada a una mappatura più precisa e su larga scala dei circuiti neuronali.