神经元重建是指通过特定的标记技术、成像技术和特定的追踪算法或工具实现神经元形态结构的数字化。数字化的神经元信息展现了神经元在脑中的分布与具体形态结构,并被应用于神经细胞分类、神经元输入输出投射、神经环路等研究。为了进行神经元重建,需要先对模式动物如小鼠在全脑范围内进行亚微米水平的成像。但由于极高的体素分辨率与较大的成像范围,用于神经元重建的全脑数据集数据量高达10 TB,给神经元重建工作带来了巨大的存储和传输压力。最简单、安全且有效的缓解方法是对用于神经元重建的全脑数据集进行压缩。全脑数据集本质上是海量的三维图像数据,但是现有的三维图像数据的压缩方法存在以下缺陷,一是保存了大量无神经元信号的数据,二是没有利用数据特征自适应选择压缩参数。所以,这些方法普遍存在压缩率低的问题。针对保存了大量无神经元信号数据的问题,首先通过鼠脑轮廓分割获取鼠脑轮廓内数据块的位置信息,然后根据数据块中是否存在神经元信号进行检测和分类,最后依据分割结果和分类结果进行数据清洗。提出的快速轮廓分割方法能够在1～3分钟内完成对全脑数据集降采样数据的快速分割,分割结果的精确率、召回率以及F1-measure都能达到0.96以上。基于Dense Net-169设计的分类网络能够利用数据块三个方向的投影图像进行是否存在神经元信号的分类,测试集上的召回率均在0.93以上,能够检测出绝大部分存在神经元信号的数据块。针对没有根据数据特征自适应选择压缩参数的问题,提出了自适应压缩测试方案。该方案能够在多种模式下进行多种视频编码的压缩测试,不仅能够为用于神经元重建的不同全脑数据集选择最佳的视频编码,还能实现固定压缩参数和自适应压缩参数的动态调优。基于上述研究,构建了用于神经元重建的全脑数据集压缩策略。通过该压缩策略,在1～1.5小时内能够实现对全脑数据集的压缩。在恒定速率因子等于25时,平均压缩率达到了32.06,压缩后文件大小约为未压缩数据的百分之三。进一步对无效数据进行清洗,最后得到压缩文件大小只有未压缩数据的千分之一到千分之四。综上,本研究提出的用于神经元重建的全脑数据集压缩策略能够在快速完成对全脑数据集的压缩,保证高压缩率的同时,保留大部分的神经元信号,有效缓解了海量数据带来的传输和存储压力,提高神经元重建效率。