Özetçe -2-foton mikroskopi görüntüleme yöntemi kullanılarak elde edilen nöron görüntülerindeki dendritik dikenlerin (spine) zaman içindeki morfolojik ve hacimsel degişimlerinin analizi, sinirbilimi alanındaki araştırmacılar açısından önem taşımaktadır. Dendritik dikenlerin dogru bölütlenmesi, bu analizleri daha gürbüz ve güvenilir yapacak otomatik araçların geliştirilmesi sürecinin önemli bir parçasıdır. Bu çalışmada, 3B dendritik dikenlerin bölütlenmesi için parametrik olmayaņ sekil ön bilgisi kullanan bir yöntem önermekteyiz. Önerdigimiz yöntem, verilen bir egitim kümesindekişekillere Parzen yogunluk kestiricisi uygulayarak önselşekil dagılımını ögrenir. Daha sonra, ögrenilen önselşekil dagılımı ve veri dagılımı Bayesçi çerçevede birleştirilerek sonsalşekil dagılımı elde edilir. Son olarak, elde edilen sonsal dagılımı en büyükleyen bölütleme sonucu etkin çevritler kullanılarak bulunur. Elde edilen ön sonuçlar,şekil ön bilgisi kullanmanın daha iyi 3B dendritik diken bölütlenmeleri elde edilmesine yardımcı oldugunu göstermektedir.Anahtar Kelimeler-3B dendritik dikenlerin bölütlenmesi, parametrik olmayanşekil ön bilgisi, Parzen yogunluk kestiricisi, seviye kümeleri.Abstract-Analyzing morphological and structural changes of dendritic spines in 2-photon microscopy images in time is important for neuroscience researchers. Correct segmentation of dendritic spines is an important step of developing robust and reliable automatic tools for such analysis. In this paper, we propose an approach for segmentation of 3D dendritic spines using nonparametric shape priors. The proposed method learns the prior distribution of shapes through Parzen density estimation on the training set of shapes. Then, the posterior distribution of shapes is obtained by combining the learned prior distribution with a data term in a Bayesian framework. Finally, the segmentation result that maximizes the posterior is found using active contours. Experimental results demonstrate that using nonparametric shape priors leads to better 3D dendritic spine segmentation results.