线粒体是一种存在于绝大多数细胞中的细胞器,是细胞中制造能量的主要场所,同时也与生物的新陈代谢及遗传有着密切的联系。随着电子扫描电镜技术的快速发展,我们对细胞的内部结构有了更深的认识,然而从显微图像中检测、分割并重建出线粒体仍然是一个具有挑战性的任务。尽管当前流行的自动化检测与分割算法在部分图像上已经取得了比较好的结果,但在神经图像上的效果仍有待提高。近两年来,深度学习的研究异常活跃,特别是在图像处理领域,神经网络已经得到了大范围的应用。在本文中,我们提出一个新的策略:首先使用Faster-RCNN算法来检测神经图像中的线粒体,确定图像中线粒体的具体位置;然后使用多层信息融合的方法找到序列图像中线粒体的连接关系,在这过程中同时采用特征匹配算法和人工校正的方式来提高准确率。本文基于中国科学院自动化研究所微观重建与分析研究组搭建的神经大数据重建与分析平台,获取神经组织电镜图像。数据采集过程中,其中1mm3鼠脑组织块在纳米尺度下所产生的神经大小图像约为2000TB。整个重建过程,需要将多个不同视图下的显微镜图像拼接成包含完整神经元的三维图像,然后将其中的线粒体提取出来,转化为易于分析的数学模型。该过程产生的数据呈爆炸式增长,因此我们采用hadoop + hbase方案来搭建软件平台,从而解决线粒体重建过程中面临的超大规模数据存取与运算处理问题,同时借助三维重构软件ImageJ进行样本标注、人工校正、三维显示。为提高重建效率,我们完善了ImageJ中插件TrakEM的图像访问的功能,使其能够与软件平台进行无缝对接,实现对存储系统中大体量图像的实时访问。