https://blog.csdn.net/bigdudu/article/details/143231801
这个文章很好,说下补充.
什么是 Soma
在神经科学和 SWC 格式中，Soma（胞体 / 细胞体） 是神经元的核心部分，也是整个神经元结构的 “根节点”—— 它是神经元的代谢和信号整合中心，包含细胞核和大部分细胞器，所有轴突、树突都从胞体延伸而出。
Soma 在 SWC 文件中的具体体现
SWC 文件通过节点类型（Type）字段 明确标识 Soma，同时有固定的格式规则：
- 类型编码
SWC 标准中，Type 字段的数值 1 专门代表 Soma（胞体），其他类型对应神经元的不同分支：
Type 值 含义
1 Soma（胞体）
2 Axon（轴突）
3 Dendrite（主树突）
4 Apical dendrite（顶树突）
5+ 自定义 / 未知类型 - 结构规则
Soma 是神经元的根节点，其 父节点ID（Parent ID） 固定为 -1（表示无父节点）；
一个完整的神经元 SWC 文件中，有且仅有一个 Soma 根节点（ID 通常为 1），所有其他节点（轴突、树突）的父节点最终都会追溯到这个 Soma 节点；
Soma 节点的 x/y/z 坐标是神经元的空间中心位置，radius（半径）通常大于其他节点（代表胞体的物理尺寸）。
特殊情况：多节点描述的 Soma
部分 SWC 文件会用多个 Type=1 的节点 拟合 Soma 的球形 / 椭球形轮廓（而非单个点）：
plaintext
1 1 10.0 15.0 8.0 5.0 -1 # 核心Soma节点
2 1 10.5 15.0 8.0 5.0 1 # Soma轮廓节点1
3 1 9.5 15.0 8.0 5.0 1 # Soma轮廓节点2
4 1 10.0 15.5 8.0 5.0 1 # Soma轮廓节点3
这类文件中，所有 Type=1 的节点都属于 Soma 结构，且第一个 Type=1 节点仍是根节点（Parent=-1）。
要注意这个特殊情况. 有的情况下会认为多个soma是非法的导致报错.
More than one node found that is tagged “soma” in skeleton xxxx
导出时出现了这个问题,所以选择了mark root nodes as soma
可视化的代码, 用的plotly, 但效率并不高.5000个连线的情况下转动视角都费劲,很奇怪它的散点图大数据量效率很高. 结论不如用游戏引擎
importpandasaspdimportnumpyasnpimportplotly.graph_objectsasgodefread_swc_file(file_path):""" 读取并解析 SWC 文件 :param file_path: SWC 文件路径 :return: 包含节点数据的 DataFrame，节点连接列表 """# 定义 SWC 文件列名columns=['id','type','x','y','z','radius','parent_id']# 读取文件（跳过注释行，注释行以#开头）swc_data=[]withopen(file_path,'r',encoding='utf-8')asf:forlineinf:line=line.strip()ifnotlineorline.startswith('#'):continue# 分割每行数据并转换为数值类型parts=line.split()parts=[float(p)ifinotin[1,6]elseint(p)fori,pinenumerate(parts)]swc_data.append(parts)# 转为 DataFramedf=pd.DataFrame(swc_data,columns=columns)# 修正父节点ID（SWC中父节点ID为-1表示根节点）df['parent_id']=df['parent_id'].replace(-1,0)# 构建节点连接关系（子节点ID -> 父节点坐标）connections=[]id_to_coords=df.set_index('id')[['x','y','z']].to_dict('index')for_,rowindf.iterrows():node_id=row['id']parent_id=row['parent_id']ifparent_id==0orparent_idnotinid_to_coords:continue# 根节点无父节点，跳过# 获取子节点和父节点的坐标child_coords=(row['x'],row['y'],row['z'])parent_coords=id_to_coords[parent_id]parent_coords=(parent_coords['x'],parent_coords['y'],parent_coords['z'])connections.append((child_coords,parent_coords))returndf,connectionsdefplot_neuron_3d(df,connections,title="神经元3D结构可视化"):""" 使用 Plotly 绘制神经元的3D结构 :param df: 节点数据 DataFrame :param connections: 节点连接列表 :param title: 图表标题 """# 创建绘图对象fig=go.Figure()# 1. 添加神经元节点（散点）fig.add_trace(go.Scatter3d(x=df['x'],y=df['y'],z=df['z'],mode='markers',marker=dict(size=df['radius']*0.05,# 按半径缩放节点大小color=df['type'],# 按神经元类型着色colorscale='Viridis',opacity=0.8),name='神经元节点',hovertext=df.apply(lambdarow:f"ID:{row['id']}<br>类型:{row['type']}<br>坐标: ({row['x']:.2f},{row['y']:.2f},{row['z']:.2f})",axis=1)))# 2. 添加神经元连接线条forchild,parentinconnections:# 每条连线需要两个点（父节点 -> 子节点）x_line=[parent[0],child[0]]y_line=[parent[1],child[1]]z_line=[parent[2],child[2]]fig.add_trace(go.Scatter3d(x=x_line,y=y_line,z=z_line,mode='lines',line=dict(color='#666666',width=1),name='连接线条',showlegend=False# 线条不显示在图例中))# 设置图表布局fig.update_layout(title=title,scene=dict(xaxis_title='X 坐标 (μm)',yaxis_title='Y 坐标 (μm)',zaxis_title='Z 坐标 (μm)',aspectmode='data'# 按数据比例显示坐标轴),legend=dict(title='神经元类型',orientation='h',yanchor='bottom',y=1.02,xanchor='right',x=1))# 显示图表（也可保存为html文件：fig.write_html("neuron_3d.html")）fig.show()# 主函数：调用示例if__name__=="__main__":swc_file_path="neuron_data.swc"try:# 读取SWC文件neuron_df,neuron_connections=read_swc_file(swc_file_path)print(f"成功解析SWC文件：共{len(neuron_df)}个节点，{len(neuron_connections)}条连接")# 绘制3D可视化图plot_neuron_3d(neuron_df,neuron_connections)exceptFileNotFoundError:print(f"错误：未找到文件{swc_file_path}，请检查文件路径是否正确")exceptExceptionase:print(f"解析/绘图出错：{str(e)}")
